OpenRAG 지식 베이스에 MCP로 에이전트 연결

OpenRAG 지식 베이스에 MCP로 에이전트 연결은(는) 무엇을 하나요?

OpenRAG의 내장 MCP 엔드포인트를 사용하여 에이전트가 문서를 수집하고, 지식 베이스를 검색하고, 필터를 생성하며, 배포된 OpenRAG 인스턴스에서 RAG 기반 채팅을 실행할 수 있습니다.

사전 요구 사항

OpenRAG 배포; OpenRAG API 키; Cursor, Claude Desktop, IBM Bob 또는 기타 MCP 지원 에이전트 런타임과 같은 스트리밍 가능 HTTP를 지원하는 MCP 클라이언트

설치

먼저 OpenRAG를 배포 또는 실행한 다음, MCP 클라이언트를 내장 HTTP 엔드포인트에 연결하십시오.

문서화된 자체 관리형 배포의 경우, Python, uv, Docker 또는 Podman을 설치한 후, 업스트림 프로젝트를 클론하고 구성하십시오:

• git clone https://github.com/langflow-ai/openrag.git
• cd openrag
• cp .env.example .env

OPENSEARCH_PASSWORD, 모델 제공자 자격 증명, Langflow 자격 증명과 같은 필수 .env 값을 구성하십시오. 그런 다음 OpenRAG 컨테이너를 시작하기 전에 문서화된 uv 명령어(scripts/docling_ctl.py start --port 5001)를 사용하여 Docling을 시작하십시오:

• docker compose up -d

터미널 기반 평가 설치의 경우, 업스트림에서는 uvx --python 3.13 openrag도 문서화하고 있습니다.

MCP 클라이언트가 실행 중인 OpenRAG 인스턴스를 /mcp 경로로 사용하고 REST API와 동일한 OpenRAG API 키를 사용하도록 구성하십시오:

{ "mcpServers": { "openrag": { "url": "http://localhost:3000/mcp", "headers": { "X-API-Key": "orag_your_api_key_here" } } } }

deprecated된 openrag-mcp 패키지를 설치하지 마십시오. OpenRAG는 이제 /mcp 엔드포인트에서 직접 MCP를 제공합니다.

• 출처: https://github.com/langflow-ai/openrag
• 업스트림 문서에서 추출: https://raw.githubusercontent.com/langflow-ai/openrag/HEAD/README.md

문서

• https://github.com/langflow-ai/openrag/tree/main/sdks/mcp

출처

• Agent Skill Exchange