Que fait Connecter les agents aux bases de connaissances OpenRAG via MCP ?
Utilisez l'endpoint MCP intégré d'OpenRAG pour que les agents puissent ingérer des documents, interroger une base de connaissances, créer des filtres et exécuter un chat basé sur RAG contre une instance OpenRAG déployée.
Prérequis
Déploiement OpenRAG ; clé API OpenRAG ; client MCP compatible avec le streaming HTTP tel que Cursor, Claude Desktop, IBM Bob, ou un autre environnement d'exécution d'agent compatible MCP
Installation
Déployez ou exécutez d'abord OpenRAG, puis connectez votre client MCP à l'endpoint HTTP intégré.
Pour le déploiement auto-géré documenté, installez Python, uv, et Docker ou Podman, puis clonez et configurez le projet en amont :
- git clone https://github.com/langflow-ai/openrag.git
- cd openrag
- cp .env.example .env
Configurez les valeurs requises dans .env, telles que OPENSEARCH_PASSWORD, les identifiants du fournisseur de modèle, et les identifiants Langflow. Ensuite, démarrez Docling avec la commande uv documentée, en utilisant scripts/docling_ctl.py start --port 5001, avant de lancer les conteneurs OpenRAG :
- docker compose up -d
Pour une installation d'évaluation gérée en terminal, la documentation en amont recommande également uvx --python 3.13 openrag.
Configurez votre client MCP pour utiliser l'instance OpenRAG en cours d'exécution à l'adresse /mcp avec la même clé API OpenRAG que celle utilisée pour l'API REST :
{ "mcpServers": { "openrag": { "url": "http://localhost:3000/mcp", "headers": { "X-API-Key": "orag_votre_cle_api_ici" } } } }
N'installez pas le paquet obsolète openrag-mcp ; OpenRAG sert désormais MCP directement depuis l'endpoint /mcp.
- Source : https://github.com/langflow-ai/openrag
- Extrait de la documentation en amont : https://raw.githubusercontent.com/langflow-ai/openrag/HEAD/README.md