Digital Twin MCP Server

数字双RAG系统

您的人工智能面试准备助手使用RAG（检索增强生成）。

🚀 快速开始

运行完整的RAG应用程序（推荐）：

.venv/Scripts/python.exe digitaltwin_rag.py

此生产就绪应用程序将：

• 连接到Uptash矢量数据库
• 自动加载您的个人资料数据（如果数据库为空）
• 初始化Groq AI以获取响应
• 启动交互式聊天界面

替代方案：使用原始实现

1.首先，将数据嵌入Uptash矢量数据库：

.venv/Scripts/python.exe embed_digitaltwin.py

2.运行交互式RAG系统：

.venv/Scripts/python.exe digital_twin_mcp_server.py

或者用示例问题进行测试：

.venv/Scripts/python.exe digital_twin_mcp_server.py --test

📁 项目结构

digital-twin-workshop/
├── .env                          # API keys (Upstash, Groq)
├── digitaltwin.json              # Your professional data with content chunks
├── digitaltwin_rag.py            # Main RAG application (recommended)
├── embed_digitaltwin.py          # Embedding script (alternative)
├── digital_twin_mcp_server.py    # RAG query system (alternative)
├── README.md                     # This file
└── data/                         # Additional data files

🛠️ 运作原理

主要应用(digitaltwin_rag.py):

1. 初始化:

- 通过内置嵌入连接到Uptash矢量数据库 - 初始化Groq AI客户端 - 检查数据是否已加载

1. 数据加载 （如果数据库为空，则自动）：

- 阅读 content_chunks 来自您的digitalwin.json - 为每个块创建丰富的文本 - 使用元数据上传到Uptash

1. 查询处理:

- 回答你的自然语言问题 - 执行语义搜索以查找相关块 - 使用Groq LLM生成上下文响应 - 以第一人称作为您的数字孪生兄弟进行回应

替代实施：

• 嵌入阶段 (embed_digitaltwin.py)：手动分块和嵌入数据
• 查询阶段 (digital_twin_mcp_server.py)：提供高级查询功能

💡 示例问题

试着问你的数字孪生兄弟：

• “告诉我你的工作经历”
• “你的技术技能是什么？”
• “描述你的职业目标”
• “告诉我你的作品集网站项目”
• “是什么让你非常适合这个角色？”
• “你如何跟上新技术的步伐？”
• “你的长处是什么？”

🔧 配置

所有配置都在 .env:

• UPSTASH_VECTOR_REST_URL -您的Uptash矢量数据库URL
• UPSTASH_VECTOR_REST_TOKEN -您的Uptash身份验证令牌
• GROQ_API_KEY -用于LLM响应的Groq API密钥

📝 定制

编辑 digitaltwin.json 更新您的个人资料。确保包括：

• 个人信息和联系方式
• 教育背景和成就
• 技术和软技能
• 带有描述和技术的项目
• 工作经验（学术或专业）
• 职业目标和抱负
• 内容块 -用于RAG检索的预格式化块

这 content_chunks 数组应包含以下对象：

• id：唯一标识符
• title：块标题
• type：内容类型（摘要、技能、项目等）
• content：实际文本内容
• metadata：附加元数据（类别、标签）

更新后，如果数据库重置，主应用程序将在下次运行时自动重新加载数据。

🎯 特性

✅ 自动数据加载 -检测空数据库并加载数据 ✅ 语义搜索 -使用向量相似度查找相关信息 ✅ AI驱动的响应 -使用Groq的快速LLM推理 ✅ 第一人称回答 -在面试场景中像你一样说话 ✅ 交互式聊天 -自然对话界面 ✅ 内置嵌入件 -Uptash处理嵌入生成 ✅ 生产就绪 -基于经过验证的实施模式