Watsonx Rag MCP Server

🚀 Watsonx.aiを使用してRAGサーバーを構築し、MCPプロトコルを通じてClaude Desktopに統合する完全ガイド

本プロジェクトは、Watsonx.aiを利用して機能的な検索拡張生成（RAG）サーバーを構築し、ChromaDBを通じて永続的なベクトルストレージを実現する方法を示すことを目的としています。また、モデルコンテキストプロトコル（MCP）を通じてこのサーバーをClaude Desktopに統合し、PDF文書の内容に基づいた質問に回答できるようにする方法も紹介します。

🚀 クイックスタート

プロジェクトの目標

1. RAGサーバーの構築：Watsonx.aiとChromaDBを利用して、PDFファイルを解析・理解し、その内容に基づいて回答を生成するRAGサーバーを作成します。
2. MCPプロトコルの統合設定：Claude Desktopの設定ファイルを編集し、カスタムPythonツール（つまり、私たちのRAGサーバー）を利用可能なツールとして登録します。
3. 検証と使用：設定が正しく行われたことを確認した後、ユーザーはClaude Desktop内でこのツールを呼び出し、PDFの内容に基づいて質問と回答を行うことができます。

プロジェクトの手順

第一步：RAGサーバーの構築

1. 必要なライブラリのインストール

pip install watsonx chromadb langchain

2. Watsonxモデルの初期化

server.pyファイルでモデルを初期化します。

from langchain.embeddings import Embeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import ChromaDB
from langchain.document_loaders import PDFLoader
import os

# 初始化Watsonx embeddings
embeddings = Embeddings()

3. ドキュメントのロードと処理

# 加载PDF文件
loader = PDFLoader("manual.pdf")
documents = loader.load()

# 将文档分割成小块
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = text_splitter.split_documents(documents)

# 创建ChromaDB存储
vectorstore = ChromaDB.from_texts(
    texts,
    embeddings,
    persist_directory="chroma_store",
    collection_name="manual_vectors"
)

4. クエリ関数の定義

def chat_with_manual(query: str) -> str:
    docs_and_scores = vectorstore.similarity_search_with_score(query, k=3)
    context = "\n".join([doc.page_content for doc, _ in docs_and_scores])
    return f"根据手册内容：{context}"

第二步：Claude Desktopの統合設定

1. Claude Desktopの設定ファイルの場所を見つける

通常、ユーザーのホームディレクトリ下の.config/claude/settingsフォルダにあります。

2. 設定ファイルの編集

claude_desktop_config.jsonファイルに以下の内容を追加します。

{
    "mcpServers": {
        " rag_manual_server": {
            "type": "python",
            "command": "python server.py chat_with_manual {query}",
            "description": "根据用户手册回答问题"
        }
    }
}

第三步：検証と使用

1. Claude Desktopを起動し、設定を読み込む

新しい設定を適用するために、Claude Desktopを再起動してください。

2. ツールの呼び出しをテストする

チャットウィンドウに以下の内容を入力し、新しいツールをテストします。

/tool rag_manual_server

その後、質問を投げかけます。例えば：

/manual 中提到的最大飞行时间是多少？

システムはPDFの内容に基づいて適切な回答を生成します。

🔧 注意事項

• 環境設定：すべての依存関係が正しくインストールされ、パスが正しく設定されていることを確認してください。
• パフォーマンスの最適化：大量のドキュメントを処理する場合は、テキスト分割とベクトルストレージの効率を最適化することを検討してください。
• エラー処理：実際のアプリケーションでは、例外キャッチとログ記録機能を追加してください。

まとめ

このプロジェクトを通じて、Watsonx.aiとChromaDBに基づくRAGサーバーを構築し、Claude Desktopに統合することに成功しました。この実装は、先進的なNLP技術を既存のツールとシームレスに統合し、ユーザーに強力な質問応答機能を提供する方法を示しています。