@Aurimas_Gr：通过 𝗠𝗖𝗣 集成 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗥𝗔𝗚 系统 如果你正在构建 RAG 系统并打包许多数据源用于…

通过 MCP 集成 Agentic RAG 系统

如果你正在构建 RAG 系统并打包大量数据源用于检索，那么很可能至少在检索阶段的数据源选择上存在一定程度的智能体性（agency）。

这正是 MCP 在此类场景（第 2 点）中丰富你的 Agentic RAG 系统演进的方式：

1. 用户查询分析：我们将原始用户查询传递给基于 LLM 的 Agent 进行分析。在这一步中：

   原始查询可以被重写，有时会多次重写，以生成一个或多个查询传递给下游流水线。 Agent 决定是否需要额外的数据源来回答该查询。

2. 如果需要额外数据，则会触发检索步骤。我们可以利用各种数据类型，例如：

   实时用户数据。 用户可能感兴趣的内部文档。 Web 上可用的数据。 …

这就是 MCP 发挥作用的地方：

每个数据域都可以管理自己的 MCP Server，并暴露数据应如何使用具体规则。 每个域的安全性和合规性可以在服务器（Server）级别得到保障。 新的数据域可以通过标准化方式轻松添加到 MCP server 池中，无需重写 Agent，从而在程序性记忆（Procedural）、情景性记忆（Episodic）和语义性记忆（Semantic Memory）方面实现系统的解耦演进。 平台构建者可以以标准化方式将数据暴露给外部消费者，从而方便地访问 Web 上的数据。 AI 工程师可以继续专注于 Agent 的拓扑结构。

3. 检索到的数据会被整合，并由比常规 embedder 更强大的模型重新排序（Rerank）。数据点会被显著缩减。

4. 如果不需要额外数据，我们尝试直接通过 LLM 生成答案（或多个答案或一组动作）。

5. 答案会经过分析、总结，并评估其正确性和相关性：

   如果 Agent 认为答案足够好，就将其返回给用户。 如果 Agent 认为答案需要改进，我们会尝试重写用户查询并重复生成循环。

你是否在自己的 Agentic RAG 系统中使用 MCP？欢迎在评论区分享你的经验。