jsfit-helpdesk-rag_mcp_server_http_01

sasaoka-company/jsfit-helpdesk-rag_mcp_server_http_01

3.2

If you are the rightful owner of jsfit-helpdesk-rag_mcp_server_http_01 and would like to certify it and/or have it hosted online, please leave a comment on the right or send an email to dayong@mcphub.com.

This project is a FastMCP-based server providing Retrieval-Augmented Generation (RAG) functionality over HTTP, specifically designed to search and generate answers from a work rules document.

Tools
1
Resources
0
Prompts
0

RAG 機能を提供する MCP サーバー（Streamable HTTP 方式）その１

このプロジェクトは、PDF/DOCX ドキュメントから関連情報を検索し、RAG（Retrieval-Augmented Generation）機能を提供する MCP サーバーです。 HTTP 通信を通じて MCP クライアントとの通信を行います。

1. 機能

  • Streamable HTTP 方式: MCP クライアントから HTTP 通信によりアクセス
  • ベクトル DB 検索: 高速な類似性検索による関連文書の取得

2. 前提条件

  • Python 3.12 以上
  • uv (Python パッケージマネージャー)
  • モデル実行環境：Ollama
  • Embedding モデル：nomic-embed-text:latest
  • 仮想環境（.venv）が作成されていること

3. MCP クライアントからの接続

  • コマンド: （プロジェクトルート）\.venv\Scripts\python.exe
  • 実行スクリプト: src\rag_mcp_server_http_01.py
  • トランスポート: streamable-http

（参考）Claude Desktop から利用する場合の設定例：

claude_desktop_config.jsonに以下のように設定：

{
  "mcpServers": {
    "mcp-server-http-01": {
      "transport": "streamable-http",
      "url": "http://127.0.0.1:8001/mcp"
    }
  }
}

4. 開発環境セットアップ

4-1. Git 設定

以下コマンドにより、チェックアウト時、コミット時に改行コードを変更しないようにします。（.gitattributes のままになります）

git config --global core.autocrlf false

4-2. 依存関係のインストール

以下コマンドにより、pyproject.tomlで定義されているライブラリをインストールします。

uv sync

5. MCP サーバ起動

$env:PYTHONPATH = "." ; uv run python src/rag_mcp_server_http_01.py

※ 標準入出力方式の場合は明示的な MCP サーバの起動は不要ですが、Streamable HTTP 方式の MCP サーバは起動する必要があります。

6. テスト実行

uv run pytest tests/ -v

7. その他

7-1. Embedding モデルを切り替える

以下変更箇所のコメントアウトを切り替える。

  • .env OPENAI_API_BASE OPENAI_API_KEY

※ Ollama を使わない場合はOPENAI_API_BASE定数はコメントアウトして無効にする

  • config.py EMBEDDING_MODEL

  • rag_core.py from langchain_ollama import OllamaEmbeddings # Ollama Embeddings from langchain_openai import OpenAIEmbeddings # OpenAI Embeddings

    embeddings = OllamaEmbeddings(model=EMBEDDING_MODEL) embeddings = OpenAIEmbeddings(model=EMBEDDING_MODEL)