LangChain 系列教程（九）：综合实战——RAG+MCP

综合实战（九）：RAG问答系统

需求

序号	核心需求	功能描述
1	本地知识库问答与信息检索	系统应支持加载用户提供的本地文档（如 PDF、DOCX、TXT 等），建立语义索引，并基于文档内容提供高效、准确的问答与信息检索服务。
2	实时外部信息的获取与整合	系统应具备在线检索能力，能够根据用户请求获取互联网上的相关内容，辅助回答问题或补充信息来源。
3	定向网页内容的抓取与处理	系统应能根据用户提供的网页链接抓取其主要内容，并按需完成摘要提取、内容分析或保存操作。
4	本地文件的自动化写入与管理	系统应支持在授权目录下执行文件写入、目录创建等操作，用于保存用户指定的内容或生成结果。
5	多轮对话中的上下文理解与管理	系统应具备对话记忆能力，能够在多轮交互中正确理解用户的指代与意图，保持响应的连贯性与上下文相关性。
6	自然语言指令的理解与任务协调执行	系统应能够解析复杂的自然语言指令，自动拆解任务并协调调用内部模块，完成多步骤复合操作。

用到的MCP

序号	MCP	说明
1	Tavily	提供搜索能力，调用 search 工具实现多轮网页检索接口，通过 MCP 协议封装为异步工具，支持 query 和 search_depth 等参数配置。用于查找论文或问题相关链接和摘要。
2	Fetch	提供 URL 内容抓取能力（支持网页或 PDF），调用 fetch 工具将外部资源解析为结构化文本内容。支持指定最大长度，结果由 Agent 读取处理。
3	Filesystem	提供文件系统访问能力，MCP 工具中包含 write_file、list_directory 等操作。允许 Agent 将生成的内容（如 Markdown 格式的论文摘要）写入本地白名单路径下的目录。

代码

#
# tavily_mcp.py
# 将 Tavily 搜索能力封装为一个独立 MCP 工具服务器，能够响应来自智能 Agent 的检索请求，并返回格式化后的搜索结果。
#

from mcp.server.fastmcp import FastMCP
from tavily import TavilyClient
from dotenv import load_dotenv
import os

load_dotenv()
tavily = TavilyClient(api_key=os.getenv("TAVILY_API_KEY"))
mcp = FastMCP("Tavily")

@mcp.tool()
async def search(query: str, search_depth: str = "basic") -> str:
try:
results = tavily.search(query=query, search_depth=search_depth, max_results=5)
formatted = []

for r in results.get("results", []):
formatted.append(
f"标题：{r.get('title', '无标题')}\n"
f"内容：{r.get('content', '无内容')}\n"
f"链接：{r.get('url', '无链接')}\n"
)

return "\n---\n".join(formatted) if formatted else "未找到相关结果"
except Exception as e:
return f"搜索出错：{str(e)}"

if __name__ == "__main__":
mcp.run(transport="stdio")

# ---------------------------------------------------------------------------
# 依赖、环境变量导入
# ---------------------------------------------------------------------------
import os, asyncio
from dotenv import load_dotenv

from langchain_community.document_loaders import PyPDFLoader, Docx2txtLoader, TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Qdrant
from qdrant_client import QdrantClient

from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.retrievers.multi_query import MultiQueryRetriever
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationalRetrievalChain
from langchain.tools import Tool

from langchain_mcp_tools import convert_mcp_to_langchain_tools
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import InMemorySaver

load_dotenv()
os.environ["OPENAI_API_BASE"] = os.getenv("OPENAI_API_BASE")
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")

# ---------------------------------------------------------------------------
# 扫描本地知识库目录，批量加载 PDF / DOCX / TXT
# ---------------------------------------------------------------------------
BASE_DIR = "Docs"
documents = []
for fn in os.listdir(BASE_DIR):
fp = os.path.join(BASE_DIR, fn)
if fn.lower().endswith(".pdf"):
documents.extend(PyPDFLoader(fp).load())
elif fn.lower().endswith(".docx"):
documents.extend(Docx2txtLoader(fp).load())
elif fn.lower().endswith(".txt"):
documents.extend(TextLoader(fp).load())

# ---------------------------------------------------------------------------
# 文本切分，构建 Qdrant 向量数据库
# ---------------------------------------------------------------------------
splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=10)
chunks = splitter.split_documents(documents)

DB_PATH = "./Docs-database"
COLL = "my_documents"
emb = OpenAIEmbeddings()

if not os.path.exists(DB_PATH):
vectorstore = Qdrant.from_documents(chunks, emb, path=DB_PATH, collection_name=COLL)
else:
client = QdrantClient(path=DB_PATH)
vectorstore = Qdrant(client=client, collection_name=COLL, embeddings=emb)

# ---------------------------------------------------------------------------
# 检索链：Multi-Query + ConversationalRetrieval
# ---------------------------------------------------------------------------
llm = ChatOpenAI(model_name="deepseek-v3", temperature=0)
retriever = MultiQueryRetriever.from_llm(vectorstore.as_retriever(), llm)
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
qa_chain = ConversationalRetrievalChain.from_llm(llm, retriever, memory, verbose=True)

rag_tool = Tool(
name="RAG_QA",
func=lambda q: qa_chain({"question": q})["answer"],
description="基于本地知识库的语义问答"
)

# ---------------------------------------------------------------------------
# MCP 工具配置：Tavily 搜索 / Fetch 抓取 / Filesystem 文件系统
# ---------------------------------------------------------------------------
MCP_CONFIGS = {
"tavily": {
"command": "python",
"args": ["tavily_mcp.py"],
"transport": "stdio"
},
"fetch": {
"command": "uvx",
"args": ["mcp-server-fetch"]
},
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"/Users/orzjh/Desktop",
"/Users/orzjh/Desktop/knowledge-base"
]
},
}

# ---------------------------------------------------------------------------
# ask() —— 单轮调用，无记忆功能
# ---------------------------------------------------------------------------
async def ask(message: str) -> str:
tools, cleanup = await convert_mcp_to_langchain_tools(MCP_CONFIGS)
tools.append(rag_tool)
try:
agent = create_react_agent(llm, tools, checkpointer=InMemorySaver())
resp = await agent.ainvoke({"messages": message}, config={"thread_id": "session-001"})
return resp["messages"][-1].content
finally:
await cleanup()

# ---------------------------------------------------------------------------
# main() —— 交互式命令行循环
# ---------------------------------------------------------------------------
async def main():
tools, cleanup = await convert_mcp_to_langchain_tools(MCP_CONFIGS)
tools.append(rag_tool)

try:
agent = create_react_agent(llm, tools, checkpointer=InMemorySaver())
print("输入问题，exit/quit 退出。")
while True:
msg = input("You: ")
if msg.lower() in {"exit", "quit"}:
print("再见！")
break
resp = await agent.ainvoke({"messages": msg}, config={"thread_id": "session-001"})
print("AI:", resp["messages"][-1].content)
finally:
await cleanup()

# ---------------------------------------------------------------------------
# CLI 启动入口
# ---------------------------------------------------------------------------
if __name__ == "__main__":
asyncio.run(main())

改进点

1. 知识库文件夹会有更新（增/删/改），需要增量更新向量数据库
2. 需要抓取网页长度过大（如长篇论文）时，系统难以给出较好的结果