如果你在构建RAG（Retrieval-Augmented Generation）系统，且需要从多个数据源检索信息，通常会在数据源选择阶段引入“代理”（Agent）机制。Aurimas Griciūnas提出的MCP（Multi-Channel Proxy）框架，能有效提升这种Agentic RAG系统的灵活性和扩展性，具体流程和优势如下：

1️⃣ 用户查询解析

• 利用基于大模型（LLM）的Agent解析原始查询，可能重写查询（单条或多条），并判断是否需要额外数据源。

2️⃣ 触发检索

• 若需更多数据，系统可访问多种数据类型：实时用户数据、内部文档、网络公开信息等。
• MCP允许每个数据域独立管理MCP服务器，定义数据使用规则，保证安全合规。
• 新数据域可标准化接入，无需改Agent，支持系统在过程、事件和语义记忆层面解耦升级。
• 平台方可标准化开放数据，方便外部调用。AI工程师则专注Agent结构设计。

3️⃣ 数据整合与再排序

• 用更强大的模型对检索结果再排序，显著缩减候选数据点。

4️⃣ 直接生成答案

• 若无额外数据需求，LLM直接生成回答、多个答案或操作集合。

5️⃣ 答案评估与反馈

• Agent对答案进行分析、总结、准确性和相关性评估。
• 满意则输出给用户；不满意则重写查询，循环优化答案。

💡 额外思考：
MCP架构在保证系统模块化和安全合规的同时，极大提升了RAG系统的适应性和可维护性。它让AI工程师能更专注于Agent设计，而数据域可独立演进，形成良性生态。
当然，增加代理层和多数据接入会带来额外延迟，但这是实现复杂需求的必要权衡。未来结合更高效的模型和缓存机制，响应速度仍有很大提升空间。

参考原文