快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

python -m pytest tests/

详细介绍

MCP-原生代理超RAG（HyperRAG）

一个基于MCP（模型-控制器-提供者）架构构建的综合RAG（检索增强生成）系统，支持波斯语和英语，具备企业级功能。

🏗️ 架构概述

该系统采用三阶段方法实施：

第一阶段专业RAG系统，支持混合搜索与重排序
第二阶段智能打包的长上下文管理
第三阶段具有决策循环的代理执行

核心组件

文档摄入多语言文档处理，同时去除个人身份信息（PII）
智能分块处理特定语言的文本分段
混合检索使用RRF进行密集+稀疏向量搜索
重新排序用于相关性评分的交叉编码器模型
多租户安全OPA策略与租户隔离
可观测性使用OTEL、Grafana和Langfuse进行全面监控

🚀 快速入门

先决条件

Docker 和 Docker Compose
Python 3.9及以上版本
Git（一种分布式版本控制系统）

安装

克隆仓库：

   git clone 
   cd Hyper-RAG

启动所有服务：

   ./start-services.sh

验证服务是否正在运行:

   # Check service health
   curl http://localhost:8000/health  # Ingestor
   curl http://localhost:8001/health  # Normalizer
   curl http://localhost:8002/health  # Retriever
   curl http://localhost:8003/health  # Chunker
   curl http://localhost:8004/health  # Embedder

服务URL

服务	URL	描述
输入内容：Ingestor API	http://localhost:8000	Document ingestion
翻译内容：输入处理器API	http://localhost:8000	文档输入

| Langfuse | http://localhost:3001 | AI质量监控 |

📚 使用示例

# Ingest an English document
curl -X POST "http://localhost:8000/ingest" \
  -F "doc_id=sample-doc-1" \
  -F "tenant=acme" \
  -F "project=alpha" \
  -F "lang=en" \
  -F "title=Sample English Document" \
  -F "file=@sample.txt"

# Ingest a Persian document
curl -X POST "http://localhost:8000/ingest" \
  -F "doc_id=sample-doc-2" \
  -F "tenant=acme" \
  -F "project=alpha" \
  -F "lang=fa" \
  -F "title=سند نمونه فارسی" \
  -F "file=@sample_fa.txt"

1. 文档摄入/处理

# Search in English
curl -X POST "http://localhost:8002/retrieve" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "What is the main topic?",
    "lang": "en",
    "tenant": "acme",
    "k_final": 5,
    "rerank": true
  }'

# Search in Persian
curl -X POST "http://localhost:8002/retrieve" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "موضوع اصلی چیست؟",
    "lang": "fa",
    "tenant": "acme",
    "k_final": 5,
    "rerank": true
  }'

2. 文档检索

# Check processing status
curl "http://localhost:8000/documents/sample-doc-1/status"

3. 检查文件状态

🔧 配置

环境变量

# Database
DATABASE_URL=postgresql://hyperrag:password123@localhost:5432/hyperrag

# Redis
REDIS_URL=redis://localhost:6379

# NATS
NATS_URL=nats://localhost:4222

# Qdrant
QDRANT_URL=http://localhost:6333

# MinIO/S3
MINIO_ENDPOINT=localhost:9000
MINIO_ACCESS_KEY=admin
MINIO_SECRET_KEY=password123

# Models
PERSIAN_EMBEDDING_MODEL=HooshvareLab/bert-fa-base-uncased
ENGLISH_EMBEDDING_MODEL=sentence-transformers/all-MiniLM-L6-v2

每个服务都可以通过环境变量进行配置：

# Chunk size and overlap
CHUNK_SIZE=1000
CHUNK_OVERLAP=200
MAX_CHUNK_SIZE=2000
MIN_CHUNK_SIZE=100

分块参数

🏛️ 建筑细节

数据流摄入
文档已上传并存储在MinIO中规范化
个人身份信息（PII）的移除和文本规范化分块处理
特定语言的文本分段嵌入
使用语言特定模型进行向量生成索引编制
在Qdrant中存储带有元数据的信息检索

使用RRF的混合搜索与重新排序

多租户安全租户隔离
PostgreSQL中的行级安全性访问控制
针对细粒度权限的OPA策略数据加密
服务之间的双向传输层安全性（mTLS）审计轨迹（或审计追踪）

完整的操作日志记录

语言支持

波斯语（فارسی）文本处理
用于规范化的Hazm库嵌入模型 HooshvareLab/bert-fa-base-uncased
：分块处理
句子感知的分段RTL（从右到左）支持

正确的文本渲染

英语文本处理
SpaCy 和标准库嵌入模型 sentence-transformers/all-MiniLM-L6-v2
：分块（或称为“分组”）
递归字符拆分重新排序

交叉编码器模型

📊 监控与可观测性

指标检索质量
忠实度，前10名召回率演出
p95延迟，吞吐量成本
令牌使用量，嵌入成本可靠性

成功率，错误数

仪表盘Grafana（中文可译为“格拉夫纳”，但通常直接使用原名，因其是一个知名的数据可视化工具名称）
系统指标和性能Langfuse（注：这是一个专有名词，直接音译为“朗夫斯”，但具体含义或品牌名需根据上下文或官方解释来确定，此处仅为音译）
人工智能质量与评估雅各（Jaeger，根据语境也可能翻译为“杰格”等，但“雅各”是较为常见的译法之一）
分布式追踪普罗米修斯

原始指标收集

SLO 目标

指标	目标	告警阈值
保真度（英文）	≥ 0.88	\ 2秒
p95 延迟（安全）	≤ 3秒	> 4秒

| 每次查询成本 | ≤ $0.002 | > $0.003 |

🔒 安全功能

PII保护（个人身份信息保护）检测
多语言分析仪（Presidio）匿名化
自动个人身份信息（PII）替换审计

完整的PII（个人可识别信息）检测日志

访问控制认证
带有OIDC集成的JWT授权
带有OPA策略的ABAC（基于属性的访问控制）租户隔离

完全的数据隔离

数据保护加密
SSE-KMS 用于对象存储网络
所有服务之间的双向TLS（mTLS）合规

用于审计追踪的只读存储（WORM存储）

🧪 测试

# Run tests for each service
cd platform/services/ingestor
python -m pytest tests/

cd ../retriever
python -m pytest tests/

单元测试

# Run end-to-end tests
python tests/integration/test_full_pipeline.py

集成测试

# Load testing
python tests/performance/load_test.py

性能测试

🚀 部署

./start-services.sh

发展

# Using Helm
helm install hyperrag platform/infra/helmfile/

# Using Docker Compose
docker-compose -f platform/infra/compose/docker-compose.prod.yml up -d

生产

# Deploy to Kubernetes
kubectl apply -f platform/infra/k8s/

Kubernetes（通常简称为K8s）

📈 性能优化

检索优化向量索引
具有优化参数的HNSW（高效近似最近邻搜索算法）批处理
并行嵌入生成缓存
用于频繁查询的Redis重新排序

高效的交叉编码器模型

资源管理连接池
优化数据库连接内存管理
高效的模型加载CPU利用率

尽可能进行并行处理

🤝 贡献（或“参与贡献”）
克隆仓库
创建一个特性分支
做出你的更改
添加测试

提交拉取请求

# Install development dependencies
pip install -r requirements-dev.txt

# Run linting
flake8 platform/
black platform/

# Run tests
pytest tests/

开发环境设置

📄 许可证这个项目采用MIT许可证授权 - 请参阅许可证

文件中有详细信息。

🆘 支持文档 :
docs/（文档/文件夹）问题
GitHub Issues（GitHub问题）讨论
GitHub 讨论区电子邮件

support@hyperrag.ai（可译为：支持邮箱：support@hyperrag.ai）

🗺️ 路线图/路线规划

第一阶段（已完成）
✅ 文档摄入与处理
✅ 支持多种语言（波斯语/英语）
✅ 使用RRF的混合检索
✅ 重新排序功能

✅ 基本可观测性

第二阶段（进行中）
🔄 长期上下文管理
🔄 智能包装
🔄 存储系统

🔄 高级缓存

第三阶段（计划中）
⏳ 代理协调
⏳ 决策循环
⏳ 高级护栏

______________________________________________________________________

⏳ 成本优化

目录标签

Python搜索文档处理多语言处理本地部署混合检索企业级RAG智能分块多租户安全

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/5e853d4ffbc56e1cba848733ea31d9e5

一个基于MCP架构的全面RAG系统，支持波斯语和英语，具备企业级功能，包括多语言文档处理、混合检索和重新排序。

继续浏览同类 MCP

更多搜索检索 MCP（7,303）返回 MCP 目录

上一个 MCP

Hyperplexity 62703be6

# Hyperplexity — AI Research Tables with Citations and Confidence Scores

下一个 MCP

Hyperskill MCP Server (Vyahhi)

全面解析Hyperskill MCP ServerMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器，Hyperskill MCP Server能让AI助手访问实时数据、执行操作，为您提供更智能的工作体验和自动化解决方案。

Hyper Rag