¿Qué hace Conectar agentes a bases de conocimiento OpenRAG sobre MCP?
Utiliza el punto final MCP integrado de OpenRAG para que los agentes puedan ingerir documentos, buscar en una base de conocimiento, crear filtros y ejecutar chats basados en RAG contra una instancia de OpenRAG desplegada.
Prerrequisitos
Despliegue de OpenRAG; clave de API de OpenRAG; cliente MCP con soporte HTTP transmisible como Cursor, Claude Desktop, IBM Bob u otro runtime de agente compatible con MCP.
Instalación
Primero despliega o ejecuta OpenRAG, luego conecta tu cliente MCP al punto final HTTP integrado.
Para el despliegue autogestionado documentado, instala Python, uv y Docker o Podman, luego clona y configura el proyecto upstream:
- git clone https://github.com/langflow-ai/openrag.git
- cd openrag
- cp .env.example .env
Configura los valores requeridos en .env, como OPENSEARCH_PASSWORD, credenciales del proveedor de modelos y credenciales de Langflow. Luego inicia Docling con el comando uv documentado, usando scripts/docling_ctl.py start --port 5001, antes de lanzar los contenedores de OpenRAG:
- docker compose up -d
Para una instalación de evaluación administrada por terminal, upstream también documenta uvx --python 3.13 openrag.
Configura tu cliente MCP para usar la instancia de OpenRAG en ejecución en /mcp con la misma clave de API de OpenRAG utilizada para la API REST:
{ "mcpServers": { "openrag": { "url": "http://localhost:3000/mcp", "headers": { "X-API-Key": "orag_tu_clave_api_aqui" } } } }
No instales el paquete obsoleto openrag-mcp; ahora OpenRAG sirve MCP directamente desde el punto final /mcp.
- Fuente: https://github.com/langflow-ai/openrag
- Extraído de la documentación upstream: https://raw.githubusercontent.com/langflow-ai/openrag/HEAD/README.md