给MCP加上RAG，Agent准确率起飞？

于 2025-05-09 11:55:31 发布
阅读量644 收藏 28
点赞数 21
文章标签： 机器学习 人工智能 算法 wps 微信
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bagell/article/details/147817799
版权

嘿，大家好！这里是一个专注于前沿AI和智能体的频道~

昨天，arxiv挂了一篇RAG-MCP的论文，忍不住唠叨几句。

img

数据来看，他对Accuracy的提升非常明显。

img

但本质上，这个工作没有太多的新内容，只是碰瓷MCP，且对大多数读者来说没有太大意义。

鉴于还是有很多小伙伴不是很清楚，MCP、MCP Server是什么？

为什么要有MCP?

首先，我们需要知道的是，大模型的输入只有prompt。

所以，无论是function call，又或者是MCP Server。他们做的都是定义了一个工具描述信息，最终都会被以某种方式填充到prompt里。

那为什么有了function call还要有MCP协议呢，问题出在这个工具描述定义这里，每家大模型API都是让你传一个Json进某一个指定字段。

但是这个Json定义的格式，它不一样，这就带来了一些迁移适配成本问题。

MCP协议的作用是，反过来，模型方主动去适配一个标准的MCP定义格式。 所有的Server（也就是工具）都遵从MCP格式的定义来封装你的工具。这样相同的工具，对不同的模型厂商就打通了。

因为MCP，导致现在工具封装统一了，所以现在像cursor、chatwise等，都开发了相应的功能，用户可以轻松配置外部定义好的MCP Server，进而使用它们的工具。

为什么MCP-RAG对大多数人没有意义？

很多的用户都是基于现成的MCP-Client来使用MCP，而工具召回，是MCP-Client做的事情，它通过从候选集合中找到一部分的工具来进入大模型的Prompt。

图片

其次，工具召回其实属于一个非常基础的工作，只是套了一个MCP的名词，就可以作为一个新的研究放出来，进而被自媒体夸大。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

在这里插入图片描述
在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

在这里插入图片描述

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
img

在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

在这里插入图片描述
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）
大模型爬虫—ScrapeGraphAI
09-20 9385
是一个网络爬虫Python 库，使用大型语言模型和直接图逻辑为网站和本地文档（XML，HTML，JSON 等）创建爬取管道。只需告诉库您想提取哪些信息，它将为您完成！
MCP、RAG、Agent 架构设计间的关系
少说，多做
04-08 180
在现代人工智能系统设计中，MCP（Memory-Centric Processing）、RAG（Retrieval-Augmented Generation）和Agent架构已成为构建高效、智能应用的三大关键技术支柱。这三种架构各具特色又相互关联，共同推动着AI系统向更接近人类认知能力的方向发展。
开源大模型项目，助你效率提高 10 倍
2401_85375298的博客
10-23 1602
Flowise 是一款开源 UI 可视化工具，用于构建定制的 LLM 编排流程和 AI 代理。" )}
保姆级教程！6个步骤讲清楚用DeepSeek搭建本地知识库
m0_59235699的博客
02-05 3万+
本地部署的最大意义在于利用DeepSeek大模型的能力加上自己的知识库，可以训练出一个符合自己需求的大模型。想象下如果你是一个医生，有一堆科研资料。你想拥有一个大模型机器人，学习了你所有的资料。每当你想查科研资料找到答案的时候，自己问这个机器人就好了。省去了自己很多查找资料的时间这就是本地部署+知识库的作用。是DeepSeek官网不具备的。因为这是训练的你的私有资料。今天就来分享下这个搭建过程。用到的工具组合是Docker+Dify+DeepSeek。
DeepSeek - V2.5：全新开源模型，融合通用与代码能力
寻道AI，探索AI无限可能！
09-29 5417
DeepSeek - V2.5是由deepseek - v2 - chat和deepseek - coder - v2两个模型合并升级而来的一款人工智能模型。这种合并升级的方式赋予了DeepSeek - V2.5独特的能力组合，使其在多种任务场景下都能发挥重要作用。它既融合了chat模型的通用对话能力，能够应对各种自然语言处理相关的交互任务，又具备coder模型强大的代码处理能力，为编程相关的任务提供了有力支持。
大模型赋能：爬虫技术的全新革命
wwlsm_zql的博客
04-16 3063
随着大模型技术的不断发展，内容解析的方式正在发生深刻变革。大模型加持下的提示工程方法为爬虫技术带来了前所未有的便利和效率提升。然而，我们也应该意识到，这种方法并非万能之药，它仍然需要结合具体任务进行定制化的优化和调整。未来，我们期待看到更多关于大模型在爬虫领域的应用和研究，以推动这一技术的进一步发展和完善。
MCP如何引爆AI Agent生产力？三大落地场景解析
最新发布
分享平时的学习心得和笔记
04-28 546
想象一下这样的场景：你开发了一个智能导购Agent，需要同时调用用户画像、商品数据库、优惠券系统、物流接口——过去你得为每个系统单独开发API对接，耗时两周；这场协议革命最迷人的地方在于：它让个体开发者首次拥有了叫板巨头的武器——你不需要自己训练大模型，只需用MCP组合生态能力，就能创造颠覆级应用。灵魂拷问：如果你能用MCP任意调用百度搜索、文心一言、高德地图的能力，你最想开发什么杀手级应用？关注**公主号 **后可私信领取《MCP协议实战手册》和《智能工具开发案例集》！
基于MCP的RAG系统实战：用Cursor+GroundX构建复杂文档问答引擎
这里汇聚了前沿的技术分享与实用的开发技巧，带你探索从创意到企业的技术创业之路。
04-19 366
通过本文，开发者可快速掌握MCP+RAG的实战方法，将复杂文档转化为可交互的知识资产，为AI赋能的生产力革命提供技术支撑。未来，随着MCP协议的完善与GroundX功能的扩展，该系统可进一步集成。：员工通过Cursor查询公司内部的API文档，自动获取代码示例。为复杂文档的智能问答提供了全新解决方案。（MCP服务器）的组合，构建一个可处理科研文献、企业知识库的。，按照本文配置步骤搭建你的智能文档问答系统！等功能，成为企业与科研机构的智能助手标配。在AI与文档处理的融合趋势下，访问GitHub项目。
深度解析AI Agent、MCP与RAG：智能时代的三大核心技术
Conan_0728的博客
04-25 609
三大技术正在重塑每个行业，理解其本质差异与协同效应，将成为未来5年职场核心竞争力。无论是开发者还是普通用户，掌握这些技术的应用逻辑，就能在智能化浪潮中抢占先机。记住：AI不是替代人类，而是进化人类能力的超级外挂！
AI Agent开发大全第二十课-如何开发一个MCP(从0开发一个MCP Server）
打造全国最全的AI Agent开发知识领域的博客
04-05 864
大模型的MCP火了，可是无论是Claude官网本身自带Sample还是全网任何一本教程没有一个可以真正应用在生产环境中的。要么就是只能在本地以文件IO流的方式运行要么干脆连编译都出错，真正的mcp server和client是怎么编写的？如何运行在分布式环境？本教程就带大家真正从0开始以“AI计算食物热量“为例带大家真正学习mcp开发的全过程。
爬虫！从传统编程-＞AI大模型+prompt
m0_63171455的博客
05-20 2240
爬虫相信很多人都对此有所了解，它主要依靠编写代码实现对网页结构的解析，通过模拟浏览器行为获取目标数据！随着人工智能技术的发展，LLM大模型的出现为爬虫技术带来了新的思路。与传统的编程模式不同，使用AI大模型+prompt可以显著提高程序员的编程效率。通过结合人工智能和自然语言处理技术，开发者可以更加高效地编写爬虫代码，并实现对网页内容的智能解析和提取。let prompt = `判断一下的用户情感是正面还是负面的评论：买的银色版真的好看，一天就到了，晚上就开始拿起来玩，系统很丝滑流畅，
保姆级教程！6个步骤讲清楚用DeepSeek搭建本地知识库，收藏这一篇就够了！！
bugyinyin的博客
02-12 3403
本地部署的最大意义在于利用DeepSeek大模型的能力加上自己的知识库，可以训练出一个符合自己需求的大模型。 想象下如果你是一个医生，有一堆科研资料。你想拥有一个大模型机器人，学习了你所有的资料。每当你想查科研资料找到答案的时候，自己问这个机器人就好了。省去了自己很多查找资料的时间 这就是本地部署+知识库的作用。是DeepSeek官网不具备的。因为这是训练的你的私有资料。
DeepSeek-V2.5：兼具通用能力和编码能力的新型开源模型
weixin_41446370的博客
09-09 3320
DeepSeek-V2.5 将聊天和编码功能合二为一，现已开源。针对写作、编码和人性化偏好进行了增强。通过网络和 API 提供。今天，我们成功合并了 DeepSeek-V2-Chat 和 DeepSeek-Coder-V2 模型，正式发布了DeepSeek-V2.5。DeepSeek-V2.5 保留了Chat模型的一般对话能力和Coder模型的编码优势，同时更符合人类的偏好。此外，DeepSeek-V2.5 在编写任务和指令跟踪方面也有了显著的改进。
你还在手动爬虫？这个工具直接用让大模型来分析爬虫了
brizer的博客
11-16 1652
Firecrawl 是 MendableAI 开发的一款多功能爬虫和抓取工具，支持将指定网页的内容直接转为AI模型（如大语言模型LLM）适用的格式。这意味着，无论是构建知识库、训练对话机器人，还是搭建分析工具，Firecrawl都可以自动抓取并转换数据，节省大量人工处理时间。对于开发者来说，这是一个能快速获取并结构化数据的绝佳帮手。Firecrawl 是一款功能强大且简单易用的数据抓取工具。对于需要高效内容采集、数据分析和AI模型训练的开发者来说，Firecrawl无疑是一个值得一试的好工具。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2859
TensorFlow相关组件的安装
DeepSeek-V2.5: 融合通用与代码能力的全新开源模型
qq_60548077的博客
09-11 1346
这个新版本是 DeepSeek-V2-Chat 和 DeepSeek-Coder-V2 两个模型的融合，它不仅继承了 Chat 模型的通用对话能力和 Coder 模型的代码处理能力，还进一步优化了与人类偏好的对齐。在代码处理能力方面，DeepSeek-V2.5 保留了 DeepSeek-Coder-V2-0724 的强大功能，并在 HumanEval Python 和 LiveCodeBench 测试中显示了显著的改进。此外，DeepSeek-V2.5 还对代码常见场景进行了优化，以提升实际使用的表现。
重磅开源！ 9 个 yyds 图像识别模型
公众号：逛逛GitHub
06-14 6264
人脸、车辆、人体属性、卡证、交通标识等经典图像识别能力，在我们当前数字化工作及生活中发挥着极其重要的作用。业内也不乏顶尖公司提供的可直接调用的API、SDK，但这些往往面临着定制化场景泛化效果不好、价格昂贵、黑盒可控性低、技术壁垒难以形成多诸多痛点。而今天小编要给大家推荐的是一个完全开源免费的、覆盖人、车、OCR等9大经典识别场景、在CPU上可3毫秒实现急速识别、一行代码...
本地Deepseek添加个人知识库(Page Assist/AnythingLLM)
热门推荐
jingzilideniu的博客
02-02 3万+
两种建立知识库，投喂Deepseek的方法 本地Deepseek在Page Assist建立知识库 本地Deepseek在Page Assist建立知识库
rag agent mcp
04-16
### RAG Agent 实现与 MCP 框架组件 RAG（Retrieval-Augmented Generation）是一种结合检索增强生成的方法，能够有效解决传统大语言模型的知识时效性和准确性问题[^3]。通过引入外部知识库或文档作为输入的一部分，RAG使得模型能够在推理过程中动态获取最新信息。 在实际实现中，可以采用如下方式来设计基于MCP（Multi-Component Pipeline）框架的RAG Agent： #### 架构概述 1. **检索模块** 使用向量数据库或其他高效检索引擎，在大量结构化或非结构化的数据集中快速找到最相关的片段。这些片段随后被传递给后续的大语言模型用于上下文理解[^4]。 2. **Agent 控制器** 这部分负责任务分解和工具调用逻辑的设计。具体来说，它会依据用户的请求制定计划，并决定何时以及如何利用其他辅助功能（比如特定API接口或者预训练好的子模型）。例如，“订票”这一操作可能涉及多个阶段——查询航班时间表、比较价格选项直至最终确认预订细节[^2]。 3. **记忆机制** 记忆单元用来保存之前的交流记录以便维持长时间跨度内的对话一致性。这对于某些需要反复澄清需求的应用场合尤为重要，如客户服务聊天机器人等场景下保持良好的用户体验至关重要[^4]。 #### 技术栈推荐 为了搭建这样一个复杂的系统架构，可以选择一些流行的开源技术和平台来进行集成开发工作： - **LangChain**: 提供了一套完整的链路支持从原始资料提取到最终响应呈现整个过程中的各个环节衔接顺畅； - **FAISS/ChromaDB**: 高效矢量化存储方案帮助加速近似最近邻搜索速度从而提升整体性能表现； - **DeepSpeed/Megatron-LM**: 如果考虑自行微调基础LLMs，则上述两个项目提供了优化后的分布式训练算法降低资源消耗成本的同时加快收敛速率。 下面给出一段简单的Python伪代码展示基本思路: ```python from langchain import PromptTemplate, LLMChain import faiss # 或 chromadb 等替代品 class RagBasedAgent: def __init__(self, llm_model, db_index_path): self.llm = llm_model self.db_index = faiss.read_index(db_index_path) def query_relevant_docs(self, question): vectorized_question = ... # 将问题转化为嵌入表示形式 distances, indices = self.db_index.search(vectorized_question, k=5) relevant_documents = [...] # 根据索引取出对应文档内容 return "\n".join(relevant_documents) def generate_answer(self, user_input): context_info = self.query_relevant_docs(user_input) template = """Given the following extracted parts of a long document and a question, provide an accurate answer. Context Information:\n{context}\n\nQuestion:{question}""" prompt_template = PromptTemplate(template=template, input_variables=["context", "question"]) chain = LLMChain(prompt=prompt_template, llm=self.llm) response = chain.run({"context": context_info, "question": user_input}) return response if __name__ == "__main__": model_instance = load_pretrained_llm() # 加载已有的大型语言模型实例 agent = RagBasedAgent(model_instance, "./data/faiss_index") while True: inp = input("Ask me anything:") ans = agent.generate_answer(inp) print(f"Answer is {ans}") ``` 问题
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值