O que Conectar agentes a bases de conhecimento OpenRAG via MCP faz?
Use o endpoint MCP embutido do OpenRAG para que agentes possam ingerir documentos, pesquisar em uma base de conhecimento, criar filtros e executar chat com RAG em uma instância OpenRAG em execução.
Pré-requisitos
Implantação do OpenRAG; chave de API do OpenRAG; cliente MCP com suporte a HTTP streamável, como Cursor, Claude Desktop, IBM Bob, ou outro runtime de agente compatível com MCP.
Instalação
Primeiro, implante ou execute o OpenRAG, depois conecte seu cliente MCP ao endpoint HTTP embutido.
Para a implantação gerenciada documentada, instale Python, uv e Docker ou Podman, então clone e configure o projeto upstream:
- git clone https://github.com/langflow-ai/openrag.git
- cd openrag
- cp .env.example .env
Configure os valores necessários no .env, como OPENSEARCH_PASSWORD, credenciais do provedor de modelo e credenciais do Langflow. Em seguida, inicie o Docling com o comando uv documentado, usando scripts/docling_ctl.py start --port 5001, antes de iniciar os containers do OpenRAG:
- docker compose up -d
Para uma instalação de avaliação gerenciada por terminal, o upstream também documenta uvx --python 3.13 openrag.
Configure seu cliente MCP para usar a instância OpenRAG em execução em /mcp com a mesma chave de API do OpenRAG usada para a API REST:
{
"mcpServers": {
"openrag": {
"url": "http://localhost:3000/mcp",
"headers": {
"X-API-Key": "orag_your_api_key_here"
}
}
}
}
Não instale o pacote openrag-mcp descontinuado; o OpenRAG agora serve o MCP diretamente do endpoint /mcp.
- Fonte: https://github.com/langflow-ai/openrag
- Extraído da documentação upstream: https://raw.githubusercontent.com/langflow-ai/openrag/HEAD/README.md