Was macht Agenten mit OpenRAG-Wissensdatenbanken über MCP verbinden?
Nutzen Sie den integrierten MCP-Endpunkt von OpenRAG, damit Agenten Dokumente aufnehmen, eine Wissensdatenbank durchsuchen, Filter erstellen und RAG-gestützte Chats gegen eine bereitgestellte OpenRAG-Instanz ausführen können.
Voraussetzungen
OpenRAG-Bereitstellung; OpenRAG-API-Key; MCP-Client mit streamable HTTP-Unterstützung wie Cursor, Claude Desktop, IBM Bob oder eine andere MCP-fähige Agentenlaufzeit
Installation
Stellen Sie OpenRAG zuerst bereit oder führen Sie es aus und verbinden Sie dann Ihren MCP-Client mit dem integrierten HTTP-Endpunkt.
Für die dokumentierte selbstverwaltete Bereitstellung installieren Sie Python, uv und Docker oder Podman. Klonen und konfigurieren Sie dann das Upstream-Projekt:
- git clone https://github.com/langflow-ai/openrag.git
- cd openrag
- cp .env.example .env
Konfigurieren Sie die erforderlichen .env-Werte wie OPENSEARCH_PASSWORD, Zugangsdaten für Modellanbieter und Langflow-Zugangsdaten. Starten Sie dann Docling mit dem dokumentierten uv-Befehl mit scripts/docling_ctl.py start --port 5001, bevor Sie die OpenRAG-Container starten:
- docker compose up -d
Für eine terminalgesteuerte Evaluierungsinstallation dokumentiert das Upstream auch uvx --python 3.13 openrag.
Konfigurieren Sie Ihren MCP-Client so, dass er die laufende OpenRAG-Instanz unter /mcp mit demselben OpenRAG-API-Key verwendet, der auch für die REST-API verwendet wird:
{ "mcpServers": { "openrag": { "url": "http://localhost:3000/mcp", "headers": { "X-API-Key": "orag_your_api_key_here" } } } }
Installieren Sie nicht das veraltete openrag-mcp-Paket; OpenRAG stellt MCP jetzt direkt über den /mcp-Endpunkt bereit.
- Quelle: https://github.com/langflow-ai/openrag
- Aus den Upstream-Dokumenten extrahiert: https://raw.githubusercontent.com/langflow-ai/openrag/HEAD/README.md