localrag-mcp — Complemento de recuperación RAG para documentos locales (DeepSeek Harness)

Un complemento de herramienta MCP que proporciona capacidad de recuperación de conocimiento local al agente de DeepSeek Harness: El agente puede invocar directamente herramientas como mcp__localrag__search durante la conversación para realizar búsqueda semántica en documentos locales y responder con citas de origen.

Contribución al ecosistema: Este es un proyecto práctico de la guía oficial de contribución de DeepSeek Harness sobre "crear un complemento y compartirlo". Después de publicarlo en GitHub, etiquételo con el tema dsh-plugin para que la comunidad lo descubra.

Arquitectura

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

Inicio rápido

# 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

✅ Resultados de verificación (ejecución real)

Prueba independiente (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）

Integración con Harness (pnpm dsh web --patch localrag.cordis.yml) probada: el agente siguió las instrucciones y llamó secuencialmente index_documents → search, y la respuesta final incluyó citas de origen y puntuaciones:

Fuente principal: langgraph-multiagent.md (fragmento 0, 1, puntuación de recuperación 0.4851 / 0.2863) Contexto adicional: langchain-basics.md (puntuación 0.1219)

Lista de herramientas (vista del agente)

Puntos de diseño

• Recuperación con fuente: Cada fragmento registra source (ruta absoluta del archivo), la respuesta del agente es rastreable — esta es la capacidad clave que lo diferencia del chat normal.

• Ejecución completamente local: La incrustación se realiza localmente con ONNX, no depende de APIs externas de incrustación, no requiere claves.

• Estrategia de fragmentación: Ventana deslizante de 512 caracteres con superposición de 64, amigable para documentos en chino (v2 puede actualizar a fragmentación semántica).

• Indexación incremental: upsert desduplica por archivo, indexar el mismo directorio repetidamente no genera vectores duplicados.

Roadmap (v2)

• Soporte para PDF / Word (pdfplumber + python-docx)

• Fragmentación semántica (basada en párrafos/títulos, no en ventanas fijas)

• Empaquetado como flujo de trabajo RAG estándar con LangChain (recuperación múltiple + reranking)

• Integración con sistema de investigación profunda multiagente (trabajador de recuperación reutiliza este complemento)

• Evaluación: puntuar la calidad de la recuperación con RAGAS

Uso en currículum

Desarrollé un complemento dsh-plugin para el ecosistema de DeepSeek Harness: complemento MCP de recuperación RAG para documentos locales (Python + Chroma + fastembed)

• Implementé tres herramientas MCP (index/search/list), invocables directamente en la conversación del agente, con resultados de recuperación que incluyen citas de origen

• Vectorización completamente local (bge-small-zh, ONNX) y almacenamiento persistente, sin necesidad de APIs externas

• Montado mediante el mecanismo oficial --patch, y completé pruebas de humo independientes y verificación de integración con Harness

Enlaces relacionados

• Guía oficial de contribución de DeepSeek Harness (ruta para compartir complementos): https://github.com/deepseek-ai/deepseek-harness

• Resumen de errores en complementos de la comunidad: Discussion #380

• Cliente MCP genérico: @deepseek-ai/dsh-mcp-client