Agentic Rag (agenticrag)

AgenticRAG（注：此词为特定技术或概念的名称，直接翻译可能无具体含义，故保持原样）

代理检索增强生成（RAG） 系统与 模型上下文协议（MCP） 智能网页搜索与文档检索的集成。此仅为测试和教育用途。

🎯 概述

AgenticRAG是一个集以下功能于一体的问答系统：

• LangGraph 用于协调自主工作流
• FAISS（快速应用索引库） 用于语义文档检索的向量存储
• MCP（模型上下文协议） 用于外部工具集成
• DuckDuckGo 搜索 通过MCP进行实时网页查询
• 剧作家MCP 用于浏览器自动化
• Groq LLM（大语言模型） (Llama 3.1) 用于快速推理

该系统能够智能地决定是仅从其知识库中检索答案，还是在互联网上进行搜索，或者结合这两种方法来回答问题。

🏗️ 建筑学

核心组件

1. 代理工作流（LangGraph）

- decide分析查询以确定是否需要检索 - retrieve从FAISS向量存储中检索相关文档 - generate使用检索到的上下文通过大型语言模型（LLM）生成答案

1. 向量存储

- 来自网络来源的预索引文档 - 嵌入（或表示）： sentence-transformers/all-MiniLM-L6-v2 - 存储：FAISS（Facebook AI 相似性搜索）

1. MCP 集成

- DuckDuckGo搜索实时信息 - 用于浏览器自动化的Playwright - 可通过以下方式配置 browser_mcp.json

数据流

User Question
     |
     v
  [Decide] ----needs_retrieval?----> [Retrieve from FAISS]
     |                                        |
     v                                        v
  [Generate Answer]  [DuckDuckGo Search via MCP] --merge--> [Re-generate]
     |
     v
  Final Answer

📦 安装

先决条件

• Python 3.8或更高版本
• Node.js（用于MCP服务器）
• Groq API密钥

设置

1. 克隆仓库

   git clone 
   cd AgenticRAG

1. 创建并激活虚拟环境

Windows（PowerShell）：

   python -m venv venv
   .\venv\Scripts\Activate.ps1

Windows（命令提示符）：

   python -m venv venv
   venv\Scripts\activate.bat

Linux/macOS：

   python3 -m venv venv
   source venv/bin/activate

1. 安装Python依赖项

   pip install -r requirements.txt

1. 安装MCP服务器

   npm install -g @playwright/mcp
   npm install -g duckduckgo-mcp-server

1. 配置环境变量

创建一个 .env 文件：

   GROQ_API_KEY=your_groq_api_key_here

🚀 使用方法

运行Flask API

python app.py

服务器在（某个时间或条件下）启动 http://localhost:5000。

API 端点

POST（邮政服务/帖子/邮寄） /ask

向RAG系统提出一个问题。

请求体：

{
  "question": "What is LangChain?",
  "use_ddg": false
}

参数：

• question (字符串，必填)：您的问题
• use_ddg (布尔值，可选)：通过MCP启用DuckDuckGo搜索（默认：false）

回答：

{
  "answer": "LangChain is a framework for developing applications powered by language models..."
}

使用 cURL 的示例：

curl -X POST http://localhost:5000/ask \
  -H "Content-Type: application/json" \
  -d '{"question": "What is LLM poisoning?", "use_ddg": true}'

输出

独立MCP示例

基本的MCP浏览器自动化

python basic_mcp.py

使用Playwright MCP演示浏览器自动化以搜索谷歌。

MCP连接测试

python mcp_test.py

测试MCP客户端初始化和会话创建。

🔧 配置

MCP 服务器（browser_mcp.json)

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"]
    },
    "duckduckgo-search": {
      "command": "npx",
      "args": ["-y", "duckduckgo-mcp-server"]
    }
  }
}

默认索引源

系统对这些URL进行了预索引：

• LangChain 表达式语言文档
• LangGraph 文档
• IBM 人工智能主题
• 人类学研究论文

你可以修改 urls 列在 app.py 添加你自己的资源。

📁 项目结构

AgenticRAG/
├── app.py                 # Main Flask application with LangGraph workflow
├── basic_mcp.py          # Example MCP browser automation
├── mcp_test.py           # MCP connection testing
├── browser_mcp.json      # MCP server configuration
├── requirements.txt      # Python dependencies
├── .env                  # Environment variables (create this)
└── README.md            # This file

🔑 主要特点

1. 智能检索决策

该系统通过关键词匹配分析查询，以确定是否需要检索文档：

• 检索触发词：“什么”，“如何”，“解释”，“告诉我”，“描述”
• 简单查询的直接答案

2. 混合搜索

联合

• 当地知识带有预索引文档的FAISS向量存储
• 实时数据通过MCP使用DuckDuckGo进行搜索时 use_ddg=true

3. MCP工具集成

利用模型上下文协议用于：

• 网络搜索（DuckDuckGo）
• 浏览器自动化（Playwright）
• 可扩展至其他MCP兼容工具

4. 异步处理

针对MCP操作和并行处理的高效异步/等待模式。

🧪 测试

测试API

基本查询（仅限向量存储）：

curl -X POST http://localhost:5000/ask \
  -H "Content-Type: application/json" \
  -d '{"question": "Explain LangGraph"}'

使用网页搜索进行查询：

curl -X POST http://localhost:5000/ask \
  -H "Content-Type: application/json" \
  -d '{"question": "Latest AI news", "use_ddg": true}'

测试MCP组件

# Test MCP client
python mcp_test.py

# Test browser automation
python basic_mcp.py

🛠️ 技术栈

• 框架Flask（API）、LangGraph（工作流编排）
• LLMGroq（Llama 3.1 8B Instant）
• 嵌入表示（或嵌入）HuggingFace sentence-transformers/all-MiniLM-L6-v2
• 向量存储FAISS（高效相似性搜索和大规模图像识别库）
• MCP 工具剧作家，DuckDuckGo搜索
• 文档处理LangChain，BeautifulSoup

🔄 工作流程详情

状态管理

class AgentState(TypedDict):
    question: str              # User's question
    documents: List[Document]  # Retrieved documents
    answer: str               # Generated answer
    needs_retrieval: bool     # Retrieval flag

图节点

1. 决定确定检索的必要性
2. 检索；取回查询FAISS向量存储
3. 生成使用大型语言模型（LLM）+上下文生成答案

条件路由

• 如果需要检索→ retrieve → generate
• 如果无需检索 → 直接到 generate

📝 环境变量

🚦 故障排除

MCP连接问题

• 确保已安装 Node.js： node --version
• 验证MCP软件包： npx @playwright/mcp@latest --version

FAISS 安装（Windows）

如果你遇到问题 faiss-cpu，尝试：

pip install faiss-cpu --no-cache-dir

缺失的依赖项

pip install --upgrade -r requirements.txt

致谢

• 该存储库的内容灵感来源于 克里希·奈克 MCP与AgenticRag课程。如需深入了解这些主题，请参阅相关资料