当前位置：首页 > news >正文

MCP驱动的Rgentic RRG（向量数据库+网络搜索）

news 2025/11/12 9:30:55

手把手教你打造一个智能 AI 助手：让 AI 能查资料、能搜索

项目地址：Rgentic RRG

🎯 项目功能

📚 查询你的专业知识库 - 比如公司内部文档、技术手册
🌐 搜索最新网络信息 - 实时获取新闻、最新动态
🔧 自动选择合适的工具 - AI 会自己判断该查资料还是该搜索

效果展示：

你问：Python 3.13 有什么新特性？
AI：[自动搜索网络] → 返回最新信息 ✅你问：什么是监督学习？
AI：[查询知识库] → 返回准确定义 ✅

📖 项目介绍

这是个什么项目？

这是一个基于 MCP 协议的智能 RAG 工具，简单来说就是：

给 AI 装上"外挂"，让它能用工具！

就像给孩子一本字典和一台电脑：

📖 字典 = 本地知识库（专业、准确）
💻 电脑 = 网络搜索（实时、全面）
🧠 孩子的大脑 = AI 模型（理解、综合）

核心功能

1. 知识库检索工具

存储你的专业知识（机器学习 FAQ 示例）
智能语义搜索（不是简单的关键词匹配）
秒级响应

2. 网络搜索工具

接入真实搜索引擎
获取最新资讯
自动整理结果

支持的 AI 应用

✅ Cherry Studio（推荐）
✅ Cursor
✅ Claude Desktop
✅ 任何支持 MCP 的应用

🧠 工作原理（不懂技术也能看懂）

传统 AI 的问题

你：Python 3.13 有什么新特性？
AI：我不知道最新版本...（因为训练数据是旧的）❌

加上工具后

你：Python 3.13 有什么新特性？
AI：让我搜索一下... [调用搜索工具]
AI：根据最新搜索，Python 3.13 新增了... ✅

三步工作流程

第1步：你提问↓
第2步：AI 判断需要什么信息├─ 专业知识？ → 查知识库├─ 最新信息？ → 搜网络└─ 常识问题？ → 直接回答↓
第3步：综合信息给你答案

技术原理（简化版）

知识库检索怎么工作的？

存储阶段

问题：什么是监督学习？
答案：监督学习是...→ 转成数字 → [0.23, -0.45, 0.67, ...]
→ 存到向量数据库

检索阶段

用户问：监督学习是啥？
→ 转成数字 → [0.21, -0.43, 0.69, ...]
→ 找最相似的 → 找到了！相似度 92%
→ 返回答案

为什么这样更准？

不是简单匹配文字
理解语义（"监督学习"和"监督学习是啥"意思一样）
即使你问法不同，也能找到答案

🚀 5分钟快速上手

准备工作

需要安装：

Python 3.8+（编程语言）
Ollama（本地 AI 模型，免费）
Cherry Studio / Cursor（AI 对话工具，任选其一）

可选：

Serper API Key（用于网络搜索，免费额度够用）

第一步：安装项目

# 1. 下载项目
git clone https://github.com/your-repo/Rgentic-RRG.git
cd Rgentic-RRG# 2. 创建虚拟环境
python -m venv .venv# Windows 激活
.venv\Scripts\activate# Mac/Linux 激活
source .venv/bin/activate# 3. 安装依赖
pip install -r requirements.txt

第二步：安装 Ollama 模型

# 1. 下载 Ollama
# 访问 https://ollama.com 下载安装# 2. 下载 AI 模型（约 4GB）
ollama pull qwen2.5:7b-instruct# 3. 验证安装
ollama list
# 应该能看到 qwen2.5:7b-instruct

第三步：本地测试（看看效果）

# 运行测试脚本
.venv\Scripts\python test_llamaindex.py

你会看到：

🧪 测试2: LlamaIndex 对比测试
=====================================❓ 请输入你的问题: 什么是机器学习？┌─ 🤖 纯模型回答
│  机器学习是计算机科学的一个分支...
└────────────────────────────────┌─ 🔧 知识库回答
│  机器学习让计算机能够从数据中学习...
│  （更准确、更专业）
└────────────────────────────────┌─ 🌐 网络搜索回答
│  根据最新搜索结果...
│  （最新、最全面）
└────────────────────────────────

三种回答的区别：

🤖 纯模型：基于训练数据，通用但可能过时
🔧 知识库：基于你的资料，专业且准确
🌐 网络搜索：最新信息，但需要 API Key

输入 quit 退出测试。

第四步：集成到 Cherry Studio

为什么选 Cherry Studio？

界面美观易用
支持多种 AI 模型
完美支持 MCP 工具

配置步骤

1. 打开 MCP 设置

Cherry Studio → 设置 → MCP → 右上角"添加" → "从 JSON 导入"

2. 粘贴配置（修改为你的路径）

{"mcpServers": {"rag-ml-assistant": {"command": "D:\\Projects\\MCP\\Rgentic RRG\\.venv\\Scripts\\python.exe","args": ["D:\\Projects\\MCP\\Rgentic RRG\\server.py"]}}
}

⚠️ 重要：

把 D:\\Projects\\MCP\\Rgentic RRG 改成你的项目路径
Windows 用双反斜杠 \\

3. 验证连接

重启 Cherry Studio，进入设置查看：

状态应显示：✅ 已连接
能看到 2 个工具

开始使用

在 Cherry Studio 对话框输入：

测试 1：什么是交叉验证？
→ AI 会自动查询知识库测试 2：搜索最新的 AI 新闻
→ AI 会自动搜索网络（需要配置 API Key）测试 3：解释深度学习并找最新应用
→ AI 会先查知识库，再搜索网络

🎨 自定义你的知识库

添加你的专业知识

打开 rag_app/data.py，找到 ML_FAQ：

ML_FAQ = [{"id": 1,"q": "什么是监督学习？","a": "监督学习将输入映射到标记输出..."},# 添加你的内容{"id": 100,"q": "我们公司的产品是什么？","a": "我们公司主营..."},
]

支持的格式：

问答对（FAQ）
技术文档
产品说明
任何文本内容

🌐 配置网络搜索（可选）

获取免费 API Key

访问 https://serper.dev
注册账号（支持 Google 登录）
复制 API Key
免费额度：2500 次/月

配置到项目

编辑 .env 文件：

SERPER_API_KEY=你的API密钥

测试搜索：

你：搜索一下今天的新闻
AI：[调用搜索工具] → 返回最新新闻

💡 实用技巧

1. 如何让 AI 使用工具？

明确指示：

✅ "用知识库查询：什么是监督学习"
✅ "搜索一下：Python 最新版本"

让 AI 自己判断：

✅ "告诉我深度学习的最新应用"
→ AI 会自己决定查知识库还是搜网络

2. 如何判断工具被调用了？

在 Cherry Studio 中：

工具调用会显示 [tool] 标记
可以在设置中查看工具调用日志
回答会更准确、更具体

3. 速度慢怎么办？

优化建议：

使用更小的模型（qwen2.5:1.5b）
减少搜索结果数量
启用缓存

📊 效果对比

真实测试案例

问题：如何防止过拟合？

方式	回答	评价
纯模型	“可以用正则化、早停…”	⭐⭐⭐ 通用但不够专业
知识库	“交叉验证、增加数据…”	⭐⭐⭐⭐⭐ 专业且准确
搜索	“最新方法包括…”	⭐⭐⭐⭐ 全面但速度慢

结论：

专业问题 → 用知识库（快速、准确）
最新信息 → 用搜索（全面、实时）
常识问题 → 纯模型就够了

🎯 应用场景

1. 技术文档助手

存储：API 文档、技术规范
用途：快速查询接口、配置说明

2. 客服机器人

存储：产品 FAQ、常见问题
用途：自动回答客户咨询

3. 学习助手

存储：课程笔记、知识点
用途：复习、答疑

4. 新闻助手

功能：实时搜索 + 知识整理
用途：快速了解行业动态

🚀 进阶玩法

1. 连接到数据库

# 从数据库加载知识
import sqlite3
conn = sqlite3.connect('knowledge.db')
# 查询并加载到 ML_FAQ

2. 导入 PDF 文档

# 使用 PyPDF2 解析 PDF
import PyPDF2
# 提取文本并添加到知识库

3. 自动更新知识库

# 定时任务更新
from apscheduler.schedulers.background import BackgroundScheduler
# 每天自动爬取最新内容

📚 总结

你学到了什么？

✅ MCP 是什么，能干什么
✅ RAG 如何让 AI 更智能
✅ 如何搭建自己的智能助手
✅ 如何自定义知识库

⭐ 觉得有用？欢迎 Star 支持！

附录：命令速查表

# 安装
git clone [项目地址]
cd Rgentic-RRG
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt# 测试
ollama pull qwen2.5:7b-instruct
.venv\Scripts\python test_llamaindex.py# 运行服务器（供 MCP 使用）
.venv\Scripts\python server.py# 常用路径
# 配置文件：.env
# 知识库：rag_app/data.py
# MCP 配置：Cherry Studio 设置 → MCP