从现成 MCP 到自建 RAG：一条可执行的学习路线

同时学习大模型、RAG、MCP、Agent、向量数据库和多个框架，很容易只记住名词。更有效的方法是围绕同一个“小型公司制度助手”逐步增加能力，让每个概念都对应一次真实操作。

实验目标

准备三份 Markdown 文档：

1
2
3
4

docs/
├── expense-policy.md
├── leave-policy.md
└── security-policy.md

示例内容分别包含：

1
2
3

一线城市住宿每天最多报销 800 元。
年假最多保留 5 天到下一年。
登录失败 5 次后锁定 30 分钟。

三个阶段始终使用这组资料，避免业务场景变化干扰技术理解。

第一阶段：体验现成 MCP

目标不是开发 Server，而是观察 AI Host 如何发现和调用外部工具。

选择一个可信、只读、容易验证的 MCP Server，例如官方文档或测试文件服务。让 AI 完成：

1
2
3
4

列出可用工具
→ 搜索一个明确主题
→ 读取命中的资料
→ 回答并提供来源

验收标准：

• 能说清 Host、Client、Server 分别在哪里。
• 知道业务工具名称由 Server 定义，不是协议统一规定。
• 能从工具调用记录看出输入、输出和错误。
• 明白连接 Server 不等于信任 Server，也不等于自动拥有 RAG。

这一阶段只学一句话：

1

MCP 让 AI 应用获得外部系统提供的能力。

第二阶段：体验托管 RAG

把三份文档放入一个托管检索服务，完成：

1
2
3
4
5

上传文件
→ 建立可检索知识库
→ 等待索引完成
→ 提问
→ 查看命中的片段与来源

可以使用 OpenAI File Search 一类托管工具，也可以选择其他提供完整文档处理链路的服务。此时不要急着引入多个框架或数据库，重点观察数据流。

验收标准：

• 问文档中存在的问题，答案和来源正确。
• 问文档中不存在的问题，系统不编造答案。
• 修改一份文档并重新索引，答案随版本变化。
• 能区分原始 File、检索容器、Chunk、Embedding 和最终答案。

这一阶段只学一句话：

1

RAG 先检索资料，再把证据交给模型回答。

第三阶段：自己控制检索链路

当托管实验稳定后，再拆开 RAG：

1
2
3
4
5
6

scripts/
├── parse-docs.mjs
├── split-docs.mjs
├── index-docs.mjs
├── search.mjs
└── evaluate.mjs

按顺序实现：

1. 读取三份文档并保留文件名和标题。
2. 按段落切片并生成稳定 Chunk ID。
3. 使用一个 Embedding 模型生成向量。
4. 将文本、向量和元数据写入现成存储。
5. 对问题执行向量检索或混合检索。
6. 把 Top K 证据交给生成模型。
7. 输出答案和来源。
8. 用固定问题集运行回归评测。

不要自己实现向量索引算法。学习重点是组件边界、数据结构、权限、更新和评测。

验收标准：

• 能打印每次命中的 Chunk 和分数。
• 能修改切片大小并比较召回变化。
• 能删除文档且索引不再返回旧内容。
• 能按用户或租户元数据过滤。
• 能记录一次查询从检索到生成的完整 Trace。

第四阶段：把 RAG 包装成 MCP Tool

当已经有 searchKnowledge(query, user) 这类稳定业务函数后，再接入 MCP SDK：

1
2
3
4
5

AI Host
→ MCP Client
→ knowledge MCP Server
→ searchKnowledge
→ 向量与关键词索引

最小工具：

1

search_knowledge_base(query, limit)

需要查看完整原文时再增加：

1

get_document(document_id)

验收标准：

• AI Host 能发现工具并正确生成参数。
• MCP Server 使用认证身份做权限过滤。
• 返回结果包含文本、文档 ID、章节和来源。
• 超时、空结果、无权限和检索失败都有明确错误。
• 写操作与只读检索分开，必要时要求人工确认。

每个阶段不要做什么

只有三份文档时，直接把内容放进 Context 也能回答。这个实验使用小数据不是为了证明“必须上 RAG”，而是为了低成本观察完整流程。正式项目是否需要 RAG，要根据文档规模、更新频率、权限和查询量决定。

建议记录的实验表

通过对比结果理解参数，比只背“Chunk 越小越精确”更可靠，因为最佳策略取决于文档结构和问题类型。

最终学习成果

1
2
3
4

阶段一：AI Host → 现成 MCP → 外部工具
阶段二：你的程序 → 托管 RAG → 三份制度
阶段三：你的检索链路 → 可观察、可调整、可评测
阶段四：AI Host → 自建 MCP → RAG 知识库

完成这四步后，再去学习 RAGFlow、LlamaIndex、LangChain、Haystack 或更多向量数据库，框架中的每个模块才会有清晰位置。