MCP + RAG: как ИИ превращает данные в понятные ответы, таблицы и графики
\nMCP · RAG · телеметрия · аналитика · AI-интеграции
RAG помогает ИИ найти нужные знания в документах и переписке. MCP добавляет к этому проверяемые инструменты: получить историю измерений, актуальное состояние проекта или точную финансовую сводку. Вместе они позволяют задавать обычные вопросы и получать ответы с числами, таблицами, графиками и ссылками на источники.
Главная мысль: RAG ищет знания, а MCP даёт AI-клиенту разрешённые способы получить точные структурированные данные и выполнить проверяемые действия. Эти технологии не конкурируют — они закрывают разные части одной задачи.
Почему одного семантического поиска бывает недостаточно
RAG — retrieval-augmented generation — сначала находит релевантные фрагменты в базе знаний, а затем передаёт их языковой модели вместе с вопросом. Это полезно для инструкций, документов, заметок и переписки: пользователю не нужно помнить имя файла или точную формулировку.
Но семантический поиск не является универсальной базой данных. Он может пропустить точное совпадение, вернуть только часть большого периода или смешать историческое описание с актуальным состоянием. Числовые агрегаты, группировки и сравнения по тысячам записей лучше считать там, где хранятся исходные данные.
- Точные числаСуммы, минимумы, максимумы и средние нельзя надёжно угадывать по нескольким найденным фрагментам.
- Большие периодыВ контекст модели нельзя без потерь поместить все измерения, транзакции или сообщения.
- АктуальностьДокумент может описывать прошлое состояние, а live API — показывать текущее.
- ПроверяемостьДля важного вывода нужны исходный объект, период, единицы измерения и ссылка на источник.
Что добавляет MCP
Model Context Protocol позволяет AI-клиенту увидеть набор специально разработанных инструментов и вызвать подходящий с валидированными параметрами. Например, конкретная система может предоставить search_knowledge, get_project, get_inverter_history, get_crypto_monthly_summary или get_telegram_messages. Это примеры предметной реализации, а не встроенные методы стандарта MCP.
Инструмент отвечает в предсказуемой структуре: указывает период, поля, единицы, источники и ограничения выборки. AI-клиент использует результат для объяснения и визуализации, но не получает произвольный SQL или полный доступ к серверу.
Как RAG и MCP работают вместе
Понять вопрос
AI определяет, нужны ли документы, точные записи, актуальный статус или несколько источников одновременно.
Найти знания
RAG возвращает релевантные фрагменты инструкций, переписки и документации вместе с источниками.
Получить проверяемые данные
Через MCP вызывается узкий инструмент с периодом, проектом, устройством или другим разрешённым фильтром.
Сопоставить результаты
AI отличает найденное описание от текущего состояния, отмечает расхождения и не подменяет отсутствующие факты догадками.
Представить ответ
Клиент формирует текст, таблицу или график, сохраняя период, единицы и ссылки на источники.
MCP сам по себе не улучшает алгоритм семантического поиска. Выигрыш возникает благодаря маршрутизации вопроса, дополнительным инструментам и данным, которые можно проверить.
Реальный пример: «А что с напряжением?»
Вместо панели мониторинга, ручного выбора дат и просмотра длинного списка измерений пользователь задаёт короткий вопрос. Инструмент истории получает телеметрию Deye за указанный период, а AI-клиент рассчитывает или принимает подготовленные агрегаты и строит визуализацию.
Эти значения взяты из измерений, показанных в реальном диалоге, а не придуманы языковой моделью. График помогает увидеть динамику и перепады, которые сложнее оценить по десяткам строк.
Ограничение: минимум и максимум за выбранный период не являются сами по себе нормативными пределами и не доказывают неисправность электросети. Для технического заключения нужны дополнительные данные: точная методика измерения, длительность отклонений, параметры оборудования и требования применимого стандарта.
Связанный технический материал: локальный мониторинг инвертора Deye без облака.
Финансовая аналитика: считать по транзакциям, а не по сообщениям
Запрос «Сколько криптовалюты поступило за сентябрь? Разбей по монетам и сетям» требует точной агрегации. RAG может найти обсуждение платежей, но не должен складывать суммы из случайных сообщений. MCP-инструмент выполняет разрешённый запрос к транзакционному слою, группирует подтверждённые операции и возвращает период и валюты.
| Монета | Сеть | Подтверждённая сумма | Операций |
|---|---|---|---|
| USDT | TON | из агрегата БД | из агрегата БД |
| TON | TON | из агрегата БД | из агрегата БД |
AI объясняет изменения и сравнивает периоды только после получения структурированного результата. Исходные транзакции не обязаны целиком попадать в контекст.
Telegram, проекты и реальные договорённости
На вопрос «О чём мы договаривались с заказчиком на прошлой неделе?» RAG находит сообщения и документы со сходным смыслом. MCP дополняет их точной хронологией выбранного диалога, участниками, связью с проектом и актуальным статусом задач.
Ответ должен отделять прямую договорённость от предположения. Если срок встречается только в черновике или пересказе, это нужно явно отметить.
Ещё три полезных сценария
Поиск противоречий
RAG находит связанные фрагменты, а MCP получает точные сообщения, версии документов и метаданные. AI показывает, где указаны разные сроки, и цитирует оба источника.
Ошибки в данных
Структурированный запрос точно выбирает проекты без ответственного и просроченные задачи. RAG добавляет пояснения из регламентов и переписки.
История изменений
События проекта, новые сообщения и обновлённые знания объединяются в отчёт «Что изменилось за семь дней?» без смешения текущего статуса и старых записей.
Только RAG и RAG + MCP
| Возможность | Только RAG | RAG + MCP |
|---|---|---|
| Семантический поиск документов | Да | Да |
| Поиск по переписке | Да, при индексации | Да, плюс точные сообщения и метаданные |
| Финансовые агрегаты | Нужен отдельный механизм | Специализированный инструмент |
| Историческая телеметрия | Ограниченно | API измерений с периодом и единицами |
| Актуальное состояние | Зависит от свежести индекса | Live-инструмент |
| Графики и таблицы | При наличии данных и поддержки клиента | При наличии данных и поддержки клиента |
| Сопоставление источников | Возможно | Удобнее через набор предметных инструментов |
| Проверяемость | Ссылки на документы | Документы и структурированные результаты |
Безопасность: набор разрешённых операций, а не полный доступ
- Минимальные праваRead-only по умолчанию; запись только отдельными подтверждаемыми операциями.
- АвторизацияПубличный контент, данные сотрудника и управленческая аналитика используют разные уровни доступа.
- Ограничение выдачиПериод, поля, количество строк и доступные проекты проверяются сервером.
- Персональные данныеСкриншоты обезличиваются, а переписка выдаётся только уполномоченному пользователю.
- Проверка источниковОтвет сохраняет идентификаторы, даты, ссылки и сведения о происхождении результата.
- Prompt injectionТекст документов считается недоверенными данными и не может расширять права инструмента или отменять системные правила.
AI не получает пароли, API-ключи, произвольный SQL или прямой доступ ко всей инфраструктуре. Даже если вредоносная инструкция попадёт в документ, сервер обязан независимо проверять разрешения и параметры каждого вызова.
Что проектировать в первую очередь
Начинать стоит не с «подключить всю базу к ИИ», а с двух-трёх проверяемых сценариев: какой вопрос задаёт пользователь, где находится источник истины, какой минимальный инструмент нужен и как проверить ответ. Полезно заранее определить свежесть данных, единицы измерения, правила агрегации и поведение при неполном результате.
О базовой организации публичного MCP-сервера читайте в статье «MCP для сайта: как ИИ помогает находить ошибки, подбирать товары и работать с бизнес-данными». Для баз знаний и семантического поиска также полезен раздел AI-агенты и RAG-системы.
Частые вопросы о MCP и RAG
Чем MCP отличается от RAG?
RAG находит релевантные фрагменты в документах и базе знаний. MCP даёт AI-клиенту контролируемые инструменты для получения точных данных и выполнения разрешённых действий. В одной системе они могут работать вместе.
Можно ли подключить MCP и RAG к существующей CRM или базе данных?
Да. Обычно поверх существующей системы создаётся отдельный интеграционный слой с узкими методами, проверкой прав и ограничением выдачи. Переносить всю CRM или открывать модели прямой доступ к базе не требуется.
Какие источники данных можно подключить?
Документы, корпоративные базы знаний, CRM, интернет-магазины, Telegram-архивы, внутренние API, финансовые операции и телеметрию. Конкретный набор зависит от вопросов, на которые должна отвечать система.
Будет ли ИИ видеть все данные компании?
Нет, если архитектура построена правильно. MCP-сервер проверяет пользователя, разрешённые проекты, поля, период и объём ответа. Для чувствительных данных можно использовать read-only доступ, маскирование и журналирование вызовов.
Как проверяется точность ответов?
Ответ должен сохранять ссылки на документы, идентификаторы объектов, период, единицы измерения и происхождение результата. Числовые итоги рассчитываются в базе данных или предметном сервисе, а не угадываются языковой моделью.
Может ли система строить таблицы и графики?
Да. MCP-инструмент возвращает структурированный результат, а AI-клиент представляет его текстом, таблицей или графиком. Важно заранее определить поля, единицы, правила агрегации и допустимый объём данных.
Есть ли пример похожей системы в портфолио?
С чего начать внедрение?
С одного-двух проверяемых сценариев: сформулировать вопрос пользователя, определить источник истины, права доступа и формат ответа. После пилота можно добавлять новые источники и действия без переработки всей системы.
Ваши данные уже могут быть полезнее, чем кажется
Вопрос в том, насколько удобно ИИ может с ними работать. Разработаю MCP-сервер и RAG-контур для существующей базы знаний, CRM, интернет-магазина, Telegram-архива или внутренней информационной системы.