一、业务场景描述
1.1、背景介绍
各企业都积累了海量的规章制度文档，如薪酬、考勤、采购等，但这些Word、PDF文件往往散乱无章。员工查找信息时，不得不手动翻找、下载、逐页浏览，过程繁琐低效。比如，想确认某供应商是否在白名单，得先费力找到《采购管理制度文件.pdf》，再跑去供应商系统查询。这种传统方式不仅拖慢了工作效率，也让制度执行变得困难重重。
1.2、实现思路
如今，随着 AI 大模型技术的发展，结合 RAG（检索增强生成） 和 MCP（模型上下文协议），企业知识查询变得前所未有的高效与便捷。员工只需像询问“公司的请假流程是什么样的？”、“我这个月迟到了几次？”这样的问题，大模型即可直接返回准确、结构化的答案。
本文将介绍如何基于 RAG + MCP 技术架构，快速构建一个面向企业的智能问答助手——“企文小智”。其中包括主要功能为：
（1）RAG 负责从本地知识库中增强检索，如各类制度文件、政策文档等非结构化数据。
（2）MCP 实现业务系统中的动态数据查询，例如考勤记录、资产状态等结构化信息。
通过将两者融合，“企文小智”能够覆盖企业规章制度相关的高频查询场景，实现自然语言驱动的智能问答体验。
云程低代码开发平台提供了AI大模型接入、知识库管理、MCP服务注册、AI智能体开发等功能，该示例基于该低代码平台实现，在线体验请访问：www.yunchengxc.com
二、专业术语介绍
2.1、什么是RAG（检索增强生成）
在大型语言模型的应用场景下，RAG（检索增强生成）技术提供了一种优化生成结果的有效途径。该技术通过在生成响应或文本之前，执行一个检索步骤，从大规模文档集合中提取与查询相关的信息，然后将这些检索结果作为上下文或知识来源，用于指导后续的生成过程。这种方法显著提高了生成内容的相关性和准确性，并且是解决大型语言模型固有“幻觉”问题的一种有力策略，因为它确保了模型生成内容时能够基于外部知识库进行验证和参考。
2.2、什么是MCP（模型上下文协议）
MCP 是一种开放协议，它规范了应用程序向大语言模型提供上下文的方式。通过 MCP 工具，大语言模型（LLM）可以按需自动执行计算、操作外部系统、调用业务系统API等，甚至与真实世界交互。
三、开发智能体应用
3.1、创建本地知识库
创建知识库时我们需要先上传企业的私有文档作为知识库的知识来源，添加一个向量模型用于对文本向量化，还需要添加一个向量库用于存储向量数据。
做好上面的前置准备后，就可以进行知识库的创建了。
关键创建步骤如下：
第一步， 上传企业文档到文档管理中。
第二步， 在模型接入中添加一个向量模型。
第三步， 在向量库配置中添加一个向量数据库的配置。
第四步， 在知识库管理中创建知识库，绑定已配置的向量库和向量模型。
第五步， 设置文档分片规则，完成文档的向量化存储。
完成配置后，可通过召回测试验证知识库效果。
3.2、开发MCP服务
完成知识库配置后，需注册MCP服务以支持动态数据查询。通过MCP协议将企业内部系统（如考勤数据库）与AI智能体连接，实现动态数据查询。通常公司的考勤信息存储于关系型数据库表中，我们可以通过MCP来实现AI智能体对个人考勤数据的查询，比如：实时查询异常考勤、请假记录、加班时长等个性化信息。
关键实现步骤如下：
第一步， 在后端项目中基于SpringBean实现获取用户请假、用户加班、用户异常考勤信息的方法。
SpringBean中实现考勤数据查询方法如：getUserLeaveList()，注册至MCP服务后，智能体可直接调用。
第二步， 在MCP管理中，把我们SpringBean MCP服务注册为MCP服务。
完成上述配置后，可以在线查看当前MCP服务提供了哪些接口方法:
3.3、构建AI智能体
完成前面的知识库配置和MCP服务配置后，即可轻松创建“企文小智”的智能体。
关键实现步骤如下：
第一步， 在线创建一个智能体，并绑定我们前面创建的知识库和MCP服务。
完成上述配置后发布智能体，“企文小智”智能体的开发就完成了，我们把智能体启动入口关联到业务系统的任何位置，运行效果如下:
提问公司规章制度，比如提问：“公司的请假流程是什么样的？”，智能体首先检索本地知识库，并提交给AI大模型后，给出回复答案。
提问考勤信息查询，比如提问：“这个月我加班了多少小时？”，AI大模型分析该问题后，自动调用MCP服务，进而实现对业务系统接口的调用，最后给出准确答案。
通过集成RAG与MCP技术开发AI智能体应用，“企文小智”实现了企业私有知识检索与业务数据动态数据查询的无缝结合。此模式可快速复用于HR、IT支持等场景，显著降低企业AI应用开发门槛，助力智能化升级。
原文地址：https://www.cnblogs.com/hibpm/p/18901572
