用途：该技能帮助部署、配置并扩展 Modular RAG MCP Server——一个可插拔、可观测的 RAG（检索增强生成）系统，通过 Model Context Protocol 向 AI 助手提供工具。
主要能力：摄入流水线支持 PDF→Markdown→分块→嵌入→向量库，并可对多模态图像生成说明；检索采用稠密向量（语义）+稀疏 BM25（精确匹配）+RRF 融合，可选重排。MCP 服务器暴露 query_knowledge_hub、list_collections、get_document_summary 工具。提供基于 Streamlit 的仪表盘，含总览、数据浏览、摄入管理、摄入跟踪、查询跟踪、评估六个页面。评估框架使用 Ragas 与自定义指标做回归测试，并支持摄入与查询流水线的白盒追踪。核心组件（LLM、嵌入、重排器、分割器、向量库、评估器）均通过抽象接口可插拔，可仅改配置切换后端。
使用方式：需 Python 3.9+，以及 VS Code+GitHub Copilot 或 Claude Desktop 和所选提供商的 API 密钥。快速安装：git clone https://github.com/jerry-ai-dev/MODULAR-RAG-MCP-SERVER.git，cd MODULAR-RAG-MCP-SERVER，然后在 Copilot/Claude 聊天中输入 setup 由 Setup Skill 引导选择提供商、配置密钥、装依赖、生成配置并启动仪表盘。手动安装：python -m venv venv、source venv/bin/activate、pip install -r requirements.txt、cp .env.example .env 并填入 API 密钥。启动 MCP 服务器：python src/mcp/server.py；仪表盘：streamlit run src/dashboard/app.py。分支策略：main 为生产就绪代码，dev 含完整提交历史，clean-start 为零进度骨架。
适用场景与限制：适合为 AI 助手接入内部知识库、调试检索质量、迭代分块与重排参数，以及把 RAG 作为库集成进自建应用。限制与常见问题包括：MCP 连接失败需检查配置路径与绝对路径；检索效果差需调整分块、重排与混合权重；向量库连接需正确配置 Qdrant 或 Chroma；大 PDF 摄入可能内存不足，需分批或流式处理；提供商可能有速率限制。具体收费、价格和平台支持情况暂未提供。