linear-coding-agent/generations/library_rag/examples

Library RAG - Exemples MCP Client

Ce dossier contient des exemples d'implémentation de clients MCP pour utiliser Library RAG depuis votre application Python.

Clients MCP avec LLM

1. mcp_client_claude.py ⭐ RECOMMANDÉ

Client MCP avec Claude (Anthropic)

Modèle: Claude Sonnet 4.5 (claude-sonnet-4-5-20250929)

Features:

• Auto-chargement des clés depuis .env
• Tool calling automatique
• Gestion multi-tour de conversation
• Synthèse naturelle des résultats

Usage:

# Assurez-vous que .env contient:
# ANTHROPIC_API_KEY=your_key
# MISTRAL_API_KEY=your_key

python examples/mcp_client_claude.py

Exemple:

User: "What did Peirce say about nominalism?"

Claude → search_chunks(query="Peirce nominalism")
       → Weaviate (BGE-M3 embeddings)
       → 10 chunks retournés
Claude → "Peirce characterized nominalism as a 'tidal wave'..."

2. mcp_client_reference.py

Client MCP avec Mistral AI

Modèle: Mistral Large (mistral-large-latest)

Même fonctionnalités que le client Claude, mais utilise Mistral AI.

Usage:

python examples/mcp_client_reference.py

Tests

test_mcp_quick.py

Test rapide (< 5 secondes) des fonctionnalités MCP:

• ✅ search_chunks (recherche sémantique)
• ✅ list_documents
• ✅ filter_by_author

python examples/test_mcp_quick.py

test_mcp_client.py

Suite de tests complète pour le client MCP (tests unitaires des 9 outils).

Exemples sans MCP (direct pipeline)

example_python_usage.py

Utilisation des handlers MCP directement (sans subprocess):

from mcp_tools import search_chunks_handler, SearchChunksInput

result = await search_chunks_handler(
    SearchChunksInput(query="nominalism", limit=10)
)

example_direct_pipeline.py

Utilisation directe du pipeline PDF:

from utils.pdf_pipeline import process_pdf

result = process_pdf(
    Path("document.pdf"),
    use_llm=True,
    ingest_to_weaviate=True
)

Architecture

┌─────────────────────────────────────────┐
│ Votre Application                       │
│                                         │
│  Claude/Mistral (LLM conversationnel)   │
│         ↓                               │
│  MCPClient (stdio JSON-RPC)             │
└────────────┬────────────────────────────┘
             ↓
┌─────────────────────────────────────────┐
│ MCP Server (subprocess)                 │
│  - 9 outils disponibles                 │
│  - search_chunks, parse_pdf, etc.       │
└────────────┬────────────────────────────┘
             ↓
┌─────────────────────────────────────────┐
│ Weaviate + BGE-M3 embeddings            │
│  - 5,180 chunks de Peirce               │
│  - Recherche sémantique                 │
└─────────────────────────────────────────┘

Embeddings vs LLM

Important: Trois modèles distincts sont utilisés:

1. BGE-M3 (text2vec-transformers dans Weaviate)

   • Rôle: Vectorisation (embeddings 1024-dim)
   • Quand: Ingestion + recherche
   • Non modifiable sans migration

2. Claude/Mistral (Agent conversationnel)

   • Rôle: Comprendre questions + synthétiser réponses
   • Quand: Chaque conversation utilisateur
   • Changeable (votre choix)

3. Mistral OCR (pixtral-12b)

   • Rôle: Extraction texte depuis PDF
   • Quand: Ingestion de PDFs (via parse_pdf tool)
   • Fixé par le MCP server

Outils MCP disponibles

Outil	Description
search_chunks	Recherche sémantique (500 max)
search_summaries	Recherche dans résumés
list_documents	Liste tous les documents
get_document	Récupère un document spécifique
get_chunks_by_document	Chunks d'un document
filter_by_author	Filtre par auteur
parse_pdf	Ingère un PDF/Markdown
delete_document	Supprime un document
ping	Health check

Limitations connues

Voir KNOWN_ISSUES.md pour les détails:

• ⚠️ author_filter et work_filter ne fonctionnent pas (limitation Weaviate nested objects)
• ✅ Workaround: Utiliser filter_by_author tool à la place

Requirements

pip install anthropic python-dotenv  # Pour Claude
# OU
pip install mistralai  # Pour Mistral

Toutes les dépendances sont dans requirements.txt du projet parent.