MCP工具演示
一种模型上下文协议（MCP）服务器，使用LlamaIndex和Linkup提供网络搜索和RAG（检索增强生成）功能。
特性
- 网页搜索：使用Linkup API搜索网页，并提供来源答案
- RAG工作流程：使用带有Ollama和HuggingFace嵌入的RAG管道查询文档
- MCP协议：使用FastMCP的标准MCP服务器实现
先决条件
安装
构建Docker镜像
# Build the Docker image
docker build -t mcp-tools-demo .配置
- 复制示例环境文件：
cp .env.example .env- 编辑
.env并添加您的配置：
LINKUP_API_KEY=your_linkup_api_key_here
OLLAMA_HOST=http://localhost:11434
OLLAMA_MODEL=gemma:2b
OLLAMA_TIMEOUT=120
EMBEDDING_MODEL=BAAI/bge-small-en-v1.5
DATA_DIR=./data- 确保Olama正在运行：
ollama serve- 拉动所需的模型：
ollama pull gemma:2b注：使用 gemma:2b （更小，更快）。您还可以使用 llama3.2 如果你有更多的记忆。
- 将文档添加到
data/RAG功能目录。
用法
快速开始
- 设置环境：
cp .env.example .env
# Edit .env and add your LINKUP_API_KEY- 确保Ollama在主机上运行：
# Check if Ollama is running
curl http://localhost:11434/api/tags
# If not running, start it:
ollama serve
# Pull required model (if not already installed):
ollama pull gemma:2b
# Optional: Increase timeout if responses are long
export OLLAMA_TIMEOUT=120- 将文档添加到数据目录：
# Place your PDFs, text files, etc. in the data/ directory
# Example: cp your_document.pdf data/- 使用Docker运行MCP服务器：
docker run -it --rm mcp-tools-demo您应该看到：
Loading documents from: /app/data
Supported formats: PDF, TXT, MD, DOCX, and more...
Loaded 1 document(s) from /app/data
Document index created successfully
MCP server starting...运行MCP服务器（仅限Docker）
MCP服务器 必须 使用Docker运行：
docker run -it --rm mcp-tools-demo注：
- 这
.env文件和data/目录在构建过程中被复制到Docker镜像中 - 重要提示： 如果更改，请重建图像
.env或添加/更改文档：docker build -t mcp-tools-demo .
发生了什么：
- 从加载所有文档
data/目录（PDF、TXT、MD等） - 提取文本并生成嵌入
- 创建可搜索的向量索引
- 在stdio传输上启动MCP服务器
- 已准备好接受客户的查询
注：
- 服务器将阻止并等待MCP协议消息。使用Ctrl+C停止。
- 确保Ollama在您的主机上运行（而不是在Docker中）
- 容器通过以下方式连接到主机Ollama
host.docker.internal:11434
运行测试客户端（Python）
测试客户端直接使用Python（而不是Docker）运行：
首先，安装依赖项：
pip install -r requirements.txt然后运行测试客户端：
python -m test_mcp_client.client_example注： 在启动测试客户端之前，请确保MCP服务器（Docker容器）正在运行。
这表明：
- 列出可用工具
- 呼叫
search_web网络搜索工具 - 呼叫
query_documentsRAG查询工具
预期产量：
Available tools:
- search_web: Perform a web search and return sourced answers...
- query_documents: Answer questions using RAG workflow...
Example 1: Web Search
Query: 'What is Current weather in Jacksonville, FL?'
Result: [Search results...]
Example 2: RAG Query
Query: 'Tell me about Reasoning-oriented Reinforcement Learning in simple terms'
Result: [Answer based on your documents...]可用工具
search_web
执行网络搜索并返回源答案。
参数：
query（str）：搜索查询
例子：
result = await client.call_tool("search_web", {"query": "What is Python?"})query_documents
使用RAG工作流和数据目录中的文档回答问题。
参数：
query（str）：要回答的问题
例子：
result = await client.call_tool("query_documents", {"query": "Tell me about DeepSeek"})项目结构
.
├── mcp_app/ # MCP application package
│ ├── __init__.py
│ ├── main.py # MCP server with tool definitions
│ └── document_workflow.py # RAG workflow implementation
├── test_mcp_client/ # Test client package
│ ├── __init__.py
│ └── client_example.py # Example MCP client
├── requirements.txt # Python dependencies
├── Dockerfile # Docker configuration
├── .env.example # Environment variables template
├── README.md # This file
└── data/ # Directory for documents (create this)发展
建立开发环境
# Install dependencies
pip install -r requirements.txt
# Run linter
ruff check .
# Format code
black .
# Type checking
mypy .运行测试
pytest建筑
RAG工作流程
RAG工作流程包括三个步骤：
- 工艺文件：从目录加载文档并为其建立索引
- 查找上下文：检索查询的相关文档部分
- 产生答案：使用检索到的上下文合成响应
MCP服务器
服务器使用FastMCP进行工具注册，并使用stdio传输进行通信。
故障排除
Ollama连接问题
- 确保Ollama在主机上运行：
ollama serve - Docker容器使用
http://host.docker.internal:11434连接到主机Ollama - 验证连接：
curl http://localhost:11434/api/tags（来自主持人）
文档索引问题
- 确保文件存在于
data/目录 - 检查中的目录路径
.env是正确的 - 索引是在服务器启动时创建的
链接API问题
- 验证您的API密钥是否设置在
.env - 检查您的Linkup API配额和限制
许可证
MIT许可证
贡献
欢迎投稿！请随时提交拉取请求。