本地 RAG 知识库

轻量级本地向量知识库，支持按项目管理文档，语义检索制度条款。

> 作者: nigo（公众号「逆行的狗」）
> 面向财务/审计从业者的 AI 效率工具，有任何问题可关注公众号反馈。

技术栈

• 切片：Chonkie RecursiveChunker + OverlapRefinery（15% overlap）
• 向量库：ChromaDB（persistent，多项目隔离）
• 默认 Embedding：硅基流动 BAAI/bge-m3（免费，1024维，8192 tokens）
• 默认 Reranker：硅基流动 BAAI/bge-reranker-v2-m3（免费）
• 文档解析：textutil（macOS .doc）+ python-docx（.docx）+ PyMuPDF（.pdf）+ MinerU（扫描件）
• 可选本地模式：Ollama embedding + Ollama reranker（完全离线）

使用方式

CLI（推荐）

bin/local-rag 是独立的 CLI 入口脚本，自动定位 skill 目录，可在任意位置运行。

# 设置快捷方式（一次性，加到 PATH）
export PATH="$HOME/.claude/skills/local-rag/bin:$PATH"
# 或创建别名：alias local-rag="$HOME/.claude/skills/local-rag/bin/local-rag"

# 首次配置（交互式向导）
local-rag setup

# 项目管理
local-rag create my-project
local-rag delete my-project
local-rag list

# 入库
local-rag ingest my-project /path/to/docs
local-rag ingest my-project /path/to/file.docx --label "财务制度"

# 检索
local-rag search my-project "消防安全管理"
local-rag search my-project "消防安全管理" --rerank --top-k 20

# 工具
local-rag chunk-test /path/to/file.doc
local-rag info

也可以直接用完整路径：~/.claude/skills/local-rag/bin/local-rag

Python API

import sys, os
# 添加 skill 目录（根据实际安装位置调整）
sys.path.insert(0, os.path.expanduser("~/.claude/skills/local-rag"))
from src.pipeline import Pipeline

pipeline = Pipeline()

# 项目管理
pipeline.create_project("my-project")
pipeline.list_projects()
pipeline.delete_project("my-project")

# 入库（文件或文件夹）
result = pipeline.ingest("my-project", "/path/to/docs")

# 检索
results = pipeline.search("my-project", "消防安全管理", top_k=15)

# 检索 + Rerank
results = pipeline.search_with_rerank("my-project", "消防安全管理", final_k=10)

# 测试切片
result = pipeline.chunk_test("/path/to/file.doc")

MCP Server

pip install fastmcp
python3 ~/.claude/skills/local-rag/mcp_server.py

6 个 tool：create_project / delete_project / list_projects / ingest / search / rerank_search

Embedding Provider

> ⚠️ API Key 安全: 不要把 API Key 直接写在 config.yaml 里！请设置环境变量 SILICONFLOW_API_KEY，config.yaml 中用 ${SILICONFLOW_API_KEY} 引用。

环境变量 SILICONFLOW_API_KEY 设置硅基流动 Key 即可使用默认配置。如果没有 Key，请先到 硅基流动 免费注册并创建 API Key。

API Key 查找顺序

当用户没有设置 API Key 时，按以下顺序查找，不要 grep 搜索：

1. 环境变量 SILICONFLOW_API_KEY（echo $SILICONFLOW_API_KEY / Windows: echo %SILICONFLOW_API_KEY%）
2. 配置文件（按平台自动定位）：
   - macOS: ~/Library/Application Support/local-rag/config.yaml
   - Windows: %LOCALAPPDATA%\local-rag\config.yaml
   - Linux: ~/.local/share/local-rag/config.yaml
3. 如果都没有 → 直接引导用户设置，不要到处搜索：
   ```
   请先设置硅基流动 API Key（免费，注册地址：https://cloud.siliconflow.cn）：

macOS/Linux:
echo 'export SILICONFLOW_API_KEY="sk-xxx"' >> ~/.zshrc && source ~/.zshrc

Windows (PowerShell):

或运行：local-rag setup
```

项目管理

• 每个项目 = 一个 ChromaDB collection
• 项目名只能用英文、数字、点、横线（ChromaDB 限制）
• 不同项目的文档完全隔离
• 删除项目会删除所有文档和向量

切片策略

中文制度文档（默认）

Chonkie RecursiveChunker 三级递归：
1. Level 1: 按"第X章"分章节
2. Level 2: 按双换行分大段落
3. Level 3: 按单换行分条款/段落
4. 目标 ~800 字符/chunk，最小 50 字符，15% overlap

通用 Markdown（可选）

• 按标题层级（#、##、###）分割
• config.yaml 中设 chunking.strategy: generic

配置

配置文件路径（跨平台自动选择）：
- macOS: ~/Library/Application Support/local-rag/config.yaml
- Windows: %LOCALAPPDATA%\local-rag\config.yaml
- Linux: ~/.local/share/local-rag/config.yaml

环境变量优先：SILICONFLOW_API_KEY / OPENAI_API_KEY / RAG_DATA_DIR / RAG_EMBEDDING_MODEL

数据存储

默认路径（跨平台自动选择）：
- macOS: ~/Library/Application Support/local-rag/
- Windows: %LOCALAPPDATA%\local-rag\
- Linux: ~/.local/share/local-rag/

可通过环境变量 RAG_DATA_DIR 或 config.yaml 的 storage.data_dir 修改。

前置条件

默认模式（零模型安装）

• Python 3.10+
• pip install -r requirements.txt
• 硅基流动 API Key（注册：https://cloud.siliconflow.cn）

本地模式（可选）

• Ollama 运行中，已拉取 qwen3-embedding:4b
• 无需额外 Python 包

高级离线（极少数需求）

• pip install torch transformers
• bge-reranker-v2-m3 cross-encoder（~2.3GB）

Key Rules

• 首次使用必须先运行 local-rag setup 或手动设置 SILICONFLOW_API_KEY 环境变量
• 执行任何 CLI 命令前，先用 local-rag info 检查配置是否就绪
• API Key 只能由用户提供，禁止 grep/搜索文件系统找 key。如果 local-rag info 报错"API Key 未设置"，直接引导用户（见上方"API Key 查找顺序"），不要到处 grep
• 不要在没有 API key 的情况下继续执行 ingest/search 等命令，必定失败
• 首次使用还需安装依赖：pip install -r ~/.claude/skills/local-rag/requirements.txt，如果命令报 ImportError，引导用户安装
• v3 默认用硅基流动 API，不需要 GPU 或 Ollama
• 推荐用 search_with_rerank（top-20 检索 + rerank top-10），给 LLM 足够候选
• LLM 必须阅读候选 chunk 的完整内容，不能只看前几行
• 由 LLM 从候选文本中做深度语义匹配，精确定位条款
• LLM 判断的关键：不是选"文字最相似的"，而是选"管理同一件事的"
• 向量检索无法判断"无对标"，需要 LLM 二次判断
• .doc 文件优先用 macOS textutil 转换，非 macOS 用 python-docx 回退
• 扫描版 PDF（每页文字 < 50 字符）自动调 MinerU 处理
• 环境变量 RAG_EMBEDDING_MODEL 可切换模型

踩坑记录

1. ChromaDB 1.3.5 list_collections() 返回 Collection 对象，需要 .name
2. Chonkie RecursiveLevel 不能同时设 delimiters 和 whitespace
3. Ollama reranker（chat API）输出乱码，v3 改用 embedding-based cosine similarity
4. Embedding 余弦相似度做 rerank 效果有限，但比没有好；cross-encoder 更精准
5. Ollama /api/embed 返回 {"embeddings": [[...]]} 不是 {"embedding": [...]}
6. 硅基流动 reranker 是 Cohere 风格 API，不是 OpenAI 格式