MCP_QnA🚀
欢迎来到MCP_QnA！该存储库将大型语言模型（Google Gemini）与MCP服务器集成在一起，以回答特定于上下文的问题。
目前，我添加了两个模块：一个基于向量数据库进行上下文搜索，另一个使用模糊搜索进行快速匹配。 享受探索这个项目！ 😃
存储库结构
- LLM+矢量数据库\
包含查询矢量数据库和从研究论文中获取上下文的代码。
- client.py：使用服务器发送事件（SSE）实现客户端与MCP服务器交互。 - embed_documents.py：嵌入研究论文（或您选择的任何其他文档）中的文档。 - fetch_chunks.py：分割或获取文档块进行处理。 - server.py：实现服务器端以处理向量数据库请求。
- 法学硕士+模糊搜索\
支持在可用上下文数据中进行模糊搜索。
- client.py：实现模糊搜索的客户端。 - context.json：保存用于模糊搜索的上下文数据。 - server.py：为模糊搜索提供服务器逻辑。
主要特点✨
- 客户端-服务器通信：使用服务器发送事件（SSE）进行实时通信（可轻松升级到可流式传输的基于http的服务器）。
- 工具集成：客户在
client.py演示如何列出工具并发出基于上下文的请求。
入门指南🔧
- 克隆存储库
git clone https://github.com/Atharva-Jayappa/MCP_QnA.git
cd MCP_QnA
- 再进行
确保Python已安装，然后运行：
pip install -r requirements.txt- 设置环境变量
安全地存储API密钥。例如：
set GENAI_API_KEY=your_api_key_here- 运行应用程序
对于矢量数据库模块中的clien脚本，运行：
cd LLM+VectorDB
python client.py对于矢量数据库模块中的服务器脚本，运行：
cd LLM+VectorDB
python server.py模糊搜索模块也是如此：
用法💡
- 矢量数据库查询：客户在
LLM+VectorDB/client.py通过SSE连接到MCP服务器，列出可用工具，并发送用户查询以获取块形式的嵌入式文档上下文。 - 模糊搜索查询：客户在
LLM+FuzzySearch/client.py允许用户对存储在中的上下文数据执行模糊搜索context.json. - 服务器发送事件（SSE）：服务器在
server.py处理SSE连接，允许实时更新和响应客户端请求。