1C RAG

Статья на Infostart YouTube Demo Docker

MCP-сервер для работы с документацией конфигураций 1С Предприятие 8 с использованием RAG (Retrieval-Augmented Generation) и векторной базы данных Qdrant.

---

📋 Содержание

• Возможности
• Быстрый старт
• Инструменты MCP
• Архитектура
• Установка и настройка
• Использование
• Документация
• Оптимизация

---

✨ Возможности

🔍 Поиск с использованием RAG

• Мультивекторный поиск с RRF (Reciprocal Rank Fusion)
• Два векторных представления: object_name и friendly_name
• Автоматическое ранжирование по релевантности
• Фильтрация по типам объектов 1С

🛠️ 5 MCP-инструментов

• Поиск объектов конфигурации
• Информация о коллекции
• Список типов объектов
• Список коллекций Qdrant
• Расширенная диагностика

🚀 Оптимизация ресурсов

• Кэширование эмбеддингов (LRU cache)
• HTTP connection pooling
• Лимиты памяти для Docker-контейнеров
• torch.no_grad() для экономии RAM

---

🚀 Быстрый старт

Запуск всех сервисов

# Сделать скрипты исполняемыми (Linux/Mac)
chmod +x start.sh stop.sh

# Запуск
./start.sh

# Или вручную
docker-compose up --build

Остановка сервисов

# Остановка
./stop.sh

# Или вручную
docker-compose down

Запуск в режиме production (без inspector)

docker-compose up -d

Запуск в режиме разработки (с inspector)

docker-compose --profile dev up -d

---

🛠️ Инструменты MCP

MCP-сервер предоставляет 5 инструментов для работы с документацией 1С:

Инструмент	Описание	Пример
search_1c_documentation	Поиск объектов по запросу	query="Справочник Номенклатура", object_type="Справочник"
get_collection_info	Информация о коллекции	collection_name="1c_rag"
get_object_types	Список типов объектов	—
list_collections	Все коллекции Qdrant	—
health_check_detailed	Диагностика компонентов	—

📖 Полная документация по инструментам →

---

🏗️ Архитектура

┌─────────────────────────────────────────────────────────────┐
│                     1C RAG MCP                              │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌──────────────┐     ┌──────────────┐     ┌────────────┐ │
│  │   1С         │────▶│   Loader     │────▶│  Qdrant    │ │
│  │   EPF        │     │  (Streamlit) │     │  (Vector)  │ │
│  └──────────────┘     └──────────────┘     └────────────┘ │
│                            │                    ▲          │
│                            │                    │          │
│                            ▼                    │          │
│                     ┌──────────────┐            │          │
│                     │  Embedding   │────────────┘          │
│                     │   Service    │                       │
│                     └──────────────┘                       │
│                            │                                │
│                            ▼                                │
│                     ┌──────────────┐                       │
│                     │  MCP Server  │◀──── MCP Clients      │
│                     │   (RAG)      │    (Cursor, VSCode)   │
│                     └──────────────┘                       │
│                                                             │
└─────────────────────────────────────────────────────────────┘

Компоненты

Компонент	Порт	Назначение
Qdrant	6333, 6334	Векторная база данных
Embedding Service	5000	Генерация векторных представлений
Loader	8501	Веб-интерфейс загрузки данных
MCP Server	8001	RAG-сервер для MCP-клиентов
MCP Inspector	6274, 6277	Инструмент отладки (dev)

---

📦 Установка и настройка

Требования

• Docker и Docker Compose
• 4 GB RAM (минимум), 8 GB RAM (рекомендуется)
• 10 GB свободного места на диске

Настройка через переменные окружения

Создайте файл .env в корневой директории:

# Qdrant
QDRANT_HOST=localhost
QDRANT_PORT=6333
COLLECTION_NAME=1c_rag

# Embedding Service
EMBEDDING_SERVICE_URL=http://localhost:5000

# MCP Server
SERVER_PORT=8001
TRANSPORT_TYPE=streamable-http

# Loader
ROW_BATCH_SIZE=100
EMBEDDING_BATCH_SIZE=32

---

💡 Использование

1. Запустите сервисы

./start.sh

2. Выгрузите данные из 1С

Используйте обработку ПолучитьТекстСтруктурыКонфигурацииФайлами.epf для выгрузки структуры конфигурации.

3. Загрузите данные в Qdrant

Откройте http://localhost:8501 и загрузите ZIP-архив с markdown-файлами и objects.csv.

4. Подключите MCP-клиент

VSCode Copilot (.vscode/mcp.json)

{
  "servers": {
    "my-1c-mcp-server": {
      "headers": {
        "x-collection-name": "1c_rag"
      },
      "url": "http://localhost:8001/mcp/sse"
    }
  }
}

Cursor (.cursor/mcp.json)

{
  "servers": {
    "my-1c-mcp-server": {
      "headers": {
        "x-collection-name": "1c_rag"
      },
      "url": "http://localhost:8001/mcp"
    }
  }
}

Claude Desktop (claude_desktop_config.json)

{
  "mcpServers": {
    "1c-rag": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "-e", "COLLECTION_NAME=1c_rag", "mcp-1c-server"]
    }
  }
}

---

📖 Документация

Файл	Описание
mcp/TOOLS.md	Полное описание MCP-инструментов
mcp/MULTIVECTOR_SEARCH.md	Мультивекторный поиск с RRF
OPTIMIZATION.md	Оптимизация потребления ресурсов
article/article.md	Статья для Infostart

---

⚡ Оптимизация

Потребление ресурсов (после оптимизации)

Ресурс	До	После	Экономия
RAM	2.6-4.4 GB	1.8-3.0 GB	~35%
CPU	45-65%	35-50%	~25%
Контейнеры	6	5	-1

Ключевые оптимизации

• ✅ Лимиты памяти для Docker-контейнеров
• ✅ Кэширование эмбеддингов (LRU, 1000 запросов)
• ✅ HTTP Session pooling
• ✅ torch.no_grad() в embedding-сервисе
• ✅ Уменьшенные батчи загрузки (100/32)

📖 Полное руководство по оптимизации →

---

🔧 Отладка

Просмотр логов

# Логи конкретного сервиса
docker-compose logs -f mcp-server
docker-compose logs -f embedding-service
docker-compose logs -f loader

# Логи всех сервисов
docker-compose logs -f

Проверка здоровья

# Через MCP-инструмент
health_check_detailed()

# Через HTTP
curl http://localhost:8001/health

Мониторинг ресурсов

# Потребление памяти контейнерами
docker stats --no-stream

---

📁 Структура проекта

1c-rag-mcp/
├── embeddings/              # Сервис эмбеддингов
│   ├── Dockerfile
│   ├── embedding_service.py
│   ├── config.json
│   └── requirements.txt
├── loader/                  # Загрузчик данных
│   ├── Dockerfile
│   ├── loader.py
│   ├── config.py
│   └── requirements.txt
├── mcp/                     # MCP-сервер
│   ├── Dockerfile
│   ├── mcp_server.py
│   ├── config.py
│   ├── TOOLS.md
│   └── MULTIVECTOR_SEARCH.md
├── common/                  # Общие модули
│   ├── __init__.py
│   ├── config.py
│   └── exceptions.py
├── inspector/               # MCP Inspector (dev)
├── article/                 # Статья и материалы
├── docs/                    # Документация
├── docker-compose.yml       # Конфигурация Docker
├── start.sh, stop.sh        # Скрипты управления
├── ПолучитьТекст...epf      # Обработка 1С
├── README.md                # Главная документация
└── OPTIMIZATION.md          # Оптимизация ресурсов

│ └── exceptions.py ├── inspector/ # MCP Inspector (dev) ├── article/ # Статья и материалы ├── docker-compose.yml # Конфигурация Docker ├── start.sh, stop.sh # Скрипты управления ├── ПолучитьТекст...epf # Обработка 1С ├── README.md # Этот файл ├── OPTIMIZATION.md # Оптимизация └── .gitignore

---

## 🔗 Ссылки

- [Статья на Infostart](https://infostart.ru/1c/articles/2605838)
- [Видео на YouTube](http://www.youtube.com/watch?v=74kYcK6bvGk)
- [MCP Protocol](https://modelcontextprotocol.io/)
- [Qdrant Documentation](https://qdrant.tech/documentation/)

---

## 📝 Changelog

### v1.2.0 (2026-03)
- ✅ Добавлены 4 новых MCP-инструмента
- ✅ Оптимизация потребления ресурсов (-35% RAM)
- ✅ Кэширование эмбеддингов
- ✅ HTTP connection pooling
- ✅ Улучшена документация

### v1.1.0
- ✅ Мультивекторный поиск с RRF
- ✅ Поддержка streamable-http транспорта
- ✅ MCP Inspector в Docker

### v1.0.0
- ✅ Базовый RAG-поиск
- ✅ Интеграция с Qdrant
- ✅ Загрузчик данных (Streamlit)

---

## 📄 Лицензия

MIT License — см. файл [LICENSE](LICENSE)

---

## 👥 Авторы

- [FSerg](https://github.com/FSerg)

---

**1C RAG MCP** — RAG-сервер для работы с документацией 1С Предприятие 8