localrag-mcp — Lokales Dokumenten-RAG-Retrieval-Plugin (DeepSeek Harness)

Ein MCP-Tool-Plugin, das Agenten in DeepSeek Harness lokale Wissensabfrage ermöglicht: Agenten können während eines Dialogs direkt Tools wie mcp__localrag__search aufrufen, um eine semantische Suche in lokalen Dokumenten mit Quellenangabe durchzuführen.

Ökosystembeitrag: Dies ist ein Praxisprojekt aus dem offiziellen DeepSeek Harness Beitragsleitfaden („Plugin erstellen und teilen“). Nach Veröffentlichung auf GitHub mit dem Tag dsh-plugin wird es von der Community gefunden.

Architektur

DeepSeek Harness (dsh web)
   │  --patch localrag.cordis.yml
   ▼
@deepseek-ai/dsh-mcp-client  (官方通用 MCP 客户端)
   │  启动 stdio 子进程
   ▼
server.py  (Python, FastMCP)
   ├── index_documents(path)   # 扫描目录，分块 + 向量化，写入 Chroma
   ├── search(query, k)        # 语义检索，返回文本 + 来源路径 + 分数
   └── list_documents()        # 列出知识库中的文档
   │
   ├── 向量模型：fastembed / BAAI/bge-small-zh-v1.5（本地 ONNX，无需 API key）
   └── 向量库：Chroma（持久化到 ./data/chroma）

Related MCP server: Notebook Library MCP Server

Schnellstart

# 1. 安装依赖（Python 3.10+）
cd localrag-mcp
pip install -r requirements.txt

# 2. 独立冒烟测试（不依赖 Harness）
python test-client.py
# 预期输出：tools: [...]; index: indexed 2 files, N chunks; search: 命中结果

# 3. 接入 DeepSeek Harness（在 harness 仓库根目录）
pnpm dsh web --patch D:\programing\python\LangChain\models\localrag-mcp\localrag.cordis.yml
# 首次会下载 bge-small-zh 模型（约 95MB，仅一次）

# 4. 在对话里使用
#    "先索引 D:\...\docs，然后检索：LangGraph 多 agent 是怎么协作的？"
#    agent 会依次调用 index_documents → search，并基于检索结果回答

✅ Validierungsergebnisse (realer Betrieb)

Unabhängiger Test (python test-client.py):

tools: ['index_documents', 'search', 'list_documents']
index: indexed 2 files, 4 chunks into 'documents'
search: 命中 langgraph-multiagent.md（top score 0.537，带 source 路径）

Harness-Integration (pnpm dsh web --patch localrag.cordis.yml) im Praxistest: Der Agent ruft gemäß Anweisung nacheinander index_documents → search auf. Die finale Antwort enthält Quellenangaben und Bewertungsreferenzen:

Hauptquelle: langgraph-multiagent.md (Chunk 0, 1, Retrieval-Bewertung 0.4851 / 0.2863) Zusätzlicher Kontext: langchain-basics.md (Bewertung 0.1219)

Werkzeugliste (Agent-Perspektive)

Design-Schwerpunkte

• Suche mit Quellenangabe: Jeder Chunk speichert source (absoluter Dateipfad), die Antwort des Agenten ist nachverfolgbar – eine entscheidende Fähigkeit, die sich von normalen Chats unterscheidet

• Komplett lokaler Betrieb: Embedding erfolgt lokal über ONNX, ohne externe Embedding-APIs oder geheime Schlüssel

• Chunk-Strategie: 512-Zeichen-Schiebefenster + 64 Überlappung, geeignet für chinesische Dokumente (v2 kann auf semantisches Chunking aufgerüstet werden)

• Inkrementelle Indizierung: upsert dedupliziert nach Datei; erneutes Indizieren desselben Verzeichnisses erzeugt keine doppelten Vektoren

Roadmap (v2)

• PDF / Word-Unterstützung (pdfplumber + python-docx)

• Semantisches Chunking (basierend auf Absätzen/Überschriften, statt festem Fenster)

• Mit LangChain als standardisierten RAG-Ablauf verpacken (Multi-Recall + Re-Ranking)

• Integration in ein Multi-Agent-Tiefenforschungssystem (Suche-Worker nutzt dieses Plugin)

• Evaluierung: Bewertung der Retrieval-Qualität mit RAGAS

Verwendung im Lebenslauf

Entwicklung eines dsh-Plugins für das DeepSeek Harness Ökosystem: Lokales Dokumenten-RAG-Retrieval-MCP-Plugin (Python + Chroma + fastembed)

• Implementierung der drei MCP-Tools index/search/list, die Agenten während Gesprächen direkt aufrufen können, mit Quellenangabe in den Suchergebnissen

• Komplett lokale Vektorisierung (bge-small-zh, ONNX) und persistente Speicherung, ohne externe APIs

• Einbindung über den offiziellen --patch-Mechanismus, mit erfolgreichem unabhängigem Smoke-Test und Harness-Integrationsvalidierung

Verwandte Links

• Offizieller DeepSeek Harness Beitragsleitfaden (Plugin-Sharing-Pfad): https://github.com/deepseek-ai/deepseek-harness

• Zusammenfassung der Stolpersteine bei Community-Plugins: Discussion #380

• MCP-Universal-Client: @deepseek-ai/dsh-mcp-client