RAG 与 MCP：连接资料和外部工具

RAG 解决什么

RAG 是 Retrieval-Augmented Generation。它不是让模型“记住所有资料”，而是在回答前先检索相关片段，再把这些片段作为上下文交给模型。

Mastra 文档把 RAG 流程拆成：

1. 文档处理。
2. chunk 切分。
3. embedding。
4. 写入向量数据库。
5. 查询时检索相关 chunk。

flowchart LR
  A[原始资料] --> B[切分 chunk]
  B --> C[生成 embedding]
  C --> D[写入向量库]
  Q[用户问题] --> E[生成 query embedding]
  E --> F[相似度检索]
  D --> F
  F --> G[相关上下文]
  G --> H[Agent 生成回答]

教学项目的 Demo 05 使用关键词重叠模拟检索，目的是让你先理解链路。真实生产可以换成 Mastra RAG 文档里的 embedding 和 vector store。

深入学习

chunk 策略、embedding 维度、向量库选择、rerank 和来源引用见 RAG 深入。

MCP 解决什么

MCP 是 Model Context Protocol。Mastra 支持 MCPClient 和 MCPServer：

• MCPClient：连接外部 MCP server，把外部工具接入 Agent。
• MCPServer：把你的 Mastra tools、agents、workflows 暴露给 MCP 客户端。

深入学习

静态工具、动态 toolsets、多用户凭证隔离和 MCP 工具审批见 MCP 集成。

flowchart TD
  A[Mastra Agent] --> B[MCPClient]
  B --> C[外部 MCP Server]
  C --> D[GitHub / Docs / 数据库 / 浏览器]
  E[其他 Agent 或编辑器] --> F[MCPServer]
  F --> G[你的 Mastra Tools 和 Workflows]

什么时候用 RAG，什么时候用 MCP

场景	选择
回答需要引用内部文档	RAG
需要搜索、读写外部系统	MCP 或 Tool
需要把自己的工具开放给别的 Agent	MCPServer
只是本地纯函数计算	普通 Tool

Vibe coding 提示词

请帮我把当前本地资料搜索升级成 RAG 风格。
先不要接真实向量数据库。
要求：
- 资料先切成 chunk。
- 查询时计算简单关键词重叠分数。
- 输出 topK 个片段。
- 文档里标注这只是教学版，真实项目可替换为 Mastra RAG + 向量库。

验证方式

npm run demo:05

你应该能看到：

• 资料被切成片段。
• 查询词被拆分。
• 每个片段得到分数。
• 最终只把相关片段交给回答生成逻辑。