Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
A modular RAG (Retrieval-Augmented Generation) system with MCP Server architecture. Using Skill to make AI follow each step of the spec and complete the code 100% by AI.
| Date | Stars |
|---|---|
| 2026-07-31 | 1057 |
| 2026-08-03 | 1061 |
| 2026-08-06 | 1061 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# Modular RAG MCP Server > 一个可插拔、可观测的模块化 RAG（检索增强生成）服务框架，通过 MCP（Model Context Protocol）协议对外暴露工具接口，支持 Copilot / Claude 等 AI 助手直接调用。同时也是一份专为**大模型相关岗位学习与面试求职**设计的实战项目与配套教学资源。 --- ## 📖 目录 - [项目概述](#-项目概述) - [分支说明](#-分支说明) - [快速开始](#-快速开始) - [谁适合用这个项目 & 怎么用](#-谁适合用这个项目--怎么用) - [简历参考](#-简历参考) - [常见问题](#-常见问题) - [后续安排](#-后续安排) --- ## 🏗️ 项目概述 ### 这个项目是什么 本项目将 RAG 面试中最常见的核心环节——**检索（Hybrid Search + Rerank）**、**多模态视觉处理（Image Captioning）**、**RAG 评估（Ragas + Custom）**、**生成（LLM Response）**——以及当下热门的应用协议 **MCP（Model Context Protocol）** 串联为一个完整的、可运行的工程项目。 **项目的一大亮点是极易适配到你自己的业务中**。得益于全链路可插拔架构，你可以快速将它结合到自己已有的项目里，无论你的背景和需求如何，都能找到适合自己的使用方式。具体的使用策略会在后文 [谁适合用这个项目 & 怎么用](#-谁适合用这个项目--怎么用) 中详细展开。 ### 不只是项目，更是一整套思路 **比这个项目本身更有价值的，是它背后蕴含的一整套工程化思路**： - 如何编写 **DEV_SPEC**（开发规格文档）来驱动开发 - 如何用 **Skill** 基于 Spec 自动完成代码编写 - 如何用 **Skill** 进行自动化测试、打包、环境配置 - 如何基于可插拔架构进行扩展（比如扩展到 Agent） **学会了思路，你可以自己做全新的项目和扩展**。以上每一步的具体做法、设计思路，在笔记中都有对应的视频讲解，建议配合观看。 ### 核心能力一览 | 模块 | 能力 | 说明 | |------|------|------| | **Ingestion Pipeline** | PDF → Markdown → Chunk → Transform → Embedding → Upsert | 全链路数据摄取，支持多模态图片描述（Image Captioning） | | **Hybrid Search** | Dense (向量) + Sparse (BM25) + RRF Fusion + Rerank | 粗排召回 + 精排重排的两段式检索架构 | | **MCP Server** | 标准 MCP 协议暴露 Tools | `query_knowledge_hub`、`list_collections`、`get_document_summary` | | **Dashboard** | Streamlit 六页面管理平台 | 系统总览 / 数据浏览 / Ingestion 管理 / 摄取追踪 / 查询追踪 / 评估面板 | | **Evaluation** | Ragas + Custom 评估体系 | 支持 golden test set 回归测试，拒绝"凭感觉"调优 | | **Observability** | 全链路白盒化追踪 | Ingestion 与 Query 两条链路的每一个中间状态透明可见 | | **Skill 驱动全流程** | 从编写到测试、打包、配置一键完成 | auto-coder / qa-tester / package / setup 等 Skill 覆盖完整开发生命周期（笔记中每个 Skill 的使用和设计思路均有讲解，请参考配套视频） | ### 技术亮点 **🔌 全链路可插拔架构**：LLM / Embedding / Reranker / Splitter / VectorStore / Evaluator 每一个核心环节均定义了抽象接口，支持"乐高积木式"替换，通过配置文件一键切换后端，零代码修改。 **🔍 混合检索 + 重排**：BM25 稀疏检索解决专有名词精确匹配 + Dense Embedding 解决同义词语义匹配，RRF 融合后可选 Cross-Encoder / LLM Rerank 精排，平衡查全率与查准率。 **🖼️ 多模态图像处理**：采用 Image-to-Text 策略，利用 Vision LLM 自动生成图片描述并缝合进 Chunk，复用纯文本 RAG 链路即可实现"搜文字出图"。 **📡 MCP 生态集成**：遵循 Model Context Protocol 标准，可直接对接 GitHub Copilot、Claude Desktop 等 MCP Client，零前端开发，一次开发处处可用。 **📊 可视化管理 + 自动化评估**：Streamlit Dashboard 提供完整的数据管理与链路追踪能力，集成 Ragas 等评估框架，建立基于数据的迭代反馈回路。 **🧪 三层测试体系**：Unit / Integration / E2E 分层测试，覆盖独立模块逻辑、模块间交互、完整链路（MCP Client / Dashboard）。 **🤖 Skill 驱动全流程**：内置 auto-coder（自动编码）、qa-tester（自动测试）、package（清理打包）、setup（一键配置）等 Agent Skill，覆盖从代码编写到测试、打包、部署的完整开发生命周期。每个 Skill 的使用方法和设计思路在笔记的项目部分均有讲解视频，可参考学习。 > 📖 详细架构设计、模块说明和任务排期请参阅 [DEV_SPEC.md](DEV_SPEC.md) --- ## 📂 分支说明 本项目提供三个分支，面向不同使用场景，请根据自身需求选择： ### `main` — 最干净的完整代码 - 始终只有 **1 个 commit**，包含项目的最新完整代码 - **适合人群**： - 想要快速体验项目完整功能的同学 - 时间紧迫，想要快速拿到一个项目去面试、跳过中间开发过程的同学 - 想要直接在该项目基础上做二次扩展的同学 - **使用方式**：克隆后直接运行 Setup Skill 即可体验 ### `dev` — 保留完整开发记录 - 代码与 `main` 完全一致，但保留了完整的 commit 历史 - 记录了从零开始逐步构建的每一步过程，包含大量中间节点 - **适合人群**：想了解项目是如何一步步从零搭建起来的同学，可以通过 commit 历史回溯开发思路 ### `clean-start` — 干净起点，从零开始 - 仅包含工程骨架（Agent Skills + DEV_SPEC），所有任务进度清零 - 保留了完整的 Skill 配置，可以使用 Agent 辅助开发 - **适合人群**： - 时间充分、想要从头开发的同学（**强烈建议**） - 想要体验完整工作流的同学：写 Spec → 拆任务 → 写代码 → 写测试 → 迭代优化 - 甚至可以基于自己的理解重新设计架构，用自己的思路实现，深度理解每一个模块 - 使用我们讲的所有对应思路（Spec 驱动开发、测试先行、可插拔架构等）来完成整个项目 - **核心理念**：整个项目的代码编写是 **让 AI 基于 DEV_SPEC 来自动完成的**，你自己不需要手写代码。AI 通过 Skill 读取 Spec 中的任务定义、架构设计和接口规范，自动生成符合规格的代码。这个思路请参考笔记对应视频讲解：**5.1 项目 Skills 使用：如何让 AI 使用 Skill 遵循 DEV_SPEC 完成代码**。 --- ## 🚀 快速开始 ### 1. 克隆项目 ```bash git clone <repo-url> cd Modular-RAG-MCP-Server ``` ### 2. 一键配置（Setup Skill） 本项目提供了 **Setup Skill** 一键完成所有环境配置，包括：Provider 选择 → API Key 配置 → 依赖安装 → 配置文件生成 → Dashboard 启动。 在 VS Code 中打开项目，通过 Copilot / Claude 对话框输入： ``` setup ``` Agent 会自动引导你完成全部配置流程。 > 💡 如果不熟悉 Skill 的使用方式，请观看配套笔记中的 **Setup Skill 使用讲解视频**。 --- ## 🎯 谁适合用这个项目 & 怎么用 大家的背景不同——有的校招、有的社招；基础也不同——有的有 AI 项目经验、有的是转方向。因此对于这个项目的使用策略也应该不同，**请一定灵活使用，切忌生搬硬套**。 不过有一点是通用的：**整套项目背后的思路**——
Excerpt of 16,897 characters
Read on GitHub
1
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:0e2c0c0e71ecff6b, name:mcp server, desc:mcp server
matched fp:0e2c0c0e71ecff6b, desc:retrieval-augmented generation, desc:retrieval augmented