MCP + GraphRAG + LLM：构建能"读懂关系"的智能体

# 使用 Docker 启动 Neo4j + Qdrant
# docker-compose.yml 配置略（详见项目文档）

# 索引文档（以 Markdown 为例）
from graphrag_mcp.index_markdown import index_documents

# 将 Markdown 文件按"Page N"分块，建立三种图关系：
# - NEXT_PAGE：页面顺序流动
# - RELATED_TO：语义相似（余弦相似度阈值）
# - CONTAINS：文档归属
index_documents("./specs/")  # 指定文档目录

# server.py —— MCP Server 入口
from mcp.server.fastmcp import FastMCP
from graphrag_mcp.search import hybrid_search, get_page, get_document_info

mcp = FastMCP("GraphRAG Server")

# 暴露核心检索工具
@mcp.tool()
async def search_docs(query: str, top_k: int = 5) -> list:
    """混合检索：向量 + 图关系扩展"""
    return hybrid_search(query, top_k)

@mcp.tool()
async def get_page(doc_id: str, start_page: int, end_page: int = None) -> dict:
    """获取指定页面的内容及上下文（前后页 + 相关页）"""
    return get_page(doc_id, start_page, end_page)

@mcp.tool()
async def get_document_info(doc_id: str, max_pages: int = 20) -> dict:
    """获取文档目录和统计信息"""
    return get_document_info(doc_id, max_pages)

if __name__ == "__main__":
    mcp.run(transport="stdio")  # 标准输入输出，适配所有 MCP 客户端

# agent.py —— 通过 MCP 连接 GraphRAG
import asyncio
from langgraph_mcp import MCPClient
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI

async def main():
    # 1. 连接 MCP Server（子进程启动 server.py）
    async with MCPClient(server_script="python server.py") as client:
        
        # 2. 获取所有工具（自动发现 MCP Server 暴露的 Tools）
        tools = await client.get_tools()
        
        # 3. 创建 ReAct Agent
        agent = create_react_agent(
            model=ChatOpenAI(model="gpt-4o"),
            tools=tools,
            prompt="你是一个知识检索助手，使用 GraphRAG 工具回答用户问题。"
        )
        
        # 4. 运行查询
        result = await agent.ainvoke({
            "messages": [("user", "介绍 MCP 协议的核心概念")]
        })
        print(result["messages"][-1].content)

asyncio.run(main())

用户提问 → Agent 思考：需要检索知识库 
→ 调用 search_docs("MCP 协议")
→ 获得带图关系扩展的上下文（包括前/后页和相关页）
→ 判断信息是否充分 
→ 若不够，调用 get_page 获取特定页面的详细上下文
→ 综合所有信息生成最终答案

根据查询复杂度动态选择检索路径：
- 跳数 ≤ 2 → 纯向量检索（快）
- 跳数 3–5 → 跨引用多跳遍历（中）
- 跳数 ≥ 6 → 深度图遍历（准）