本地RAG搜索技能

此技能使您能够有效利用mcp-local-rag MCP服务器进行智能网络搜索，并具备语义排序功能。该服务器执行类似RAG的相似度评分，以优先呈现最相关的结果，且无需任何外部API。

可用工具

1.rag_search_ddgs- DuckDuckGo搜索

用于注重隐私的通用网络搜索。

使用时机：

• 用户偏好注重隐私的搜索
• 通用信息查询
• 大多数查询的默认选择

参数：

• query：自然语言搜索查询
• num_results：初始获取的结果数量（默认：10）
• top_k：返回的最相关结果数量（默认：5）
• include_urls：是否包含来源URL（默认：true）

2.rag_search_google- Google 搜索

适用于全面、技术性或详细的搜索。

使用时机：

• 技术或科学查询
• 需要全面覆盖
• 搜索特定文档

3.deep_research- 多引擎深度研究

适用于跨多个搜索引擎进行全面研究。

使用时机：

• 研究需要广泛覆盖的复杂主题
• 需要来自多个来源的不同视角
• 收集关于某个主题的全面信息

可用后端：

• duckduckgo：注重隐私的通用搜索
• google：全面的技术结果
• bing：微软的搜索引擎
• 勇敢：隐私优先搜索
• 维基百科：百科全书/事实性内容
• 雅虎、Yandex、Mojeek、Grokipedia：替代搜索引擎

默认： ["duckduckgo", "google"]

4.deep_research_google- 仅限谷歌的深度研究

仅使用谷歌进行深度研究的快捷方式。

5.deep_research_ddgs- 仅限DuckDuckGo的深度研究

仅使用DuckDuckGo进行深度研究的快捷方式。

最佳实践

查询表述

1. 使用自然语言将查询写成问题或描述性短语

   • 好的例子："量子计算的最新进展"
   • 好的例子："如何在Python中实现二分查找"
   • 避免：像"quantum"或"Python"这样的单个关键词

2. 要具体：包含上下文和细节

   • 好的例子："2024年React Hooks最佳实践"
   • 更好的例子："React useEffect清理函数最佳实践"

工具选择策略

1. 单一主题，快速解答→ 使用rag_search_ddgs或rag_search_google

   rag_search_ddgs(
       query="What is the capital of France?",
       top_k=3
   )
   

2. 技术/科学查询→ 使用rag_search_google

   rag_search_google(
       query="Docker multi-stage build optimization techniques",
       num_results=15,
       top_k=7
   )
   

3. 综合性研究→ 使用deep_research配合多个搜索词

   deep_research(
       search_terms=[
           "machine learning fundamentals",
           "neural networks architecture",
           "deep learning best practices 2024"
       ],
       backends=["google", "duckduckgo"],
       top_k_per_term=5
   )
   

4. 事实性/百科类内容使用深度研究配合维基百科

   deep_research(
       search_terms=["World War II timeline", "WWII key battles"],
       backends=["wikipedia"],
       num_results_per_term=5
   )
   

参数调优

如需快速获取答案：

• num_results=5-10，top_k=3-5

如需进行综合性研究：

• num_results=15-20，top_k=7-10

如需进行深度研究：

• num_results_per_term=10-15，top_k_per_term=3-5
• 使用 2-5 个相关搜索词条
• 使用 1-3 个后端（数量越多越全面，但速度越慢）

工作流程示例

示例 1：时事新闻

Task: "What happened at the UN climate summit last week?"

1. Use rag_search_google for recent news coverage
2. Set top_k=7 for comprehensive view
3. Present findings with source URLs

示例 2：技术深度探索

Task: "How do I optimize PostgreSQL queries?"

1. Use deep_research with multiple specific terms:
   - "PostgreSQL query optimization techniques"
   - "PostgreSQL index best practices"
   - "PostgreSQL EXPLAIN ANALYZE tutorial"
2. Use backends=["google", "stackoverflow"] if available
3. Synthesize findings into actionable guide

示例 3：多视角研究

Task: "Research the impact of remote work on productivity"

1. Use deep_research with diverse search terms:
   - "remote work productivity statistics 2024"
   - "hybrid work model effectiveness studies"
   - "work from home challenges research"
2. Use backends=["google", "duckduckgo"] for broad coverage
3. Synthesize different perspectives and studies

指导原则

1. 务必引用来源当include_urls=True时，在你的回复中引用来源网址
2. 验证时效性：检查内容是否显得最新且相关
3. 交叉验证：对于重要事实，使用多个搜索词或搜索引擎
4. 尊重隐私：除非有特定需求必须使用Google，否则一般查询请使用DuckDuckGo
5. 批量处理相关查询：研究某个主题时，创建多个相关的搜索词以进行深度研究
6. 语义相关性：相信RAG评分——排名靠前的结果在语义上与查询最接近
7. 解释你的选择：简要说明你正在使用哪个工具以及原因

错误处理

如果搜索返回的结果不足：

1. 尝试使用不同的关键词重新组织查询
2. 切换到不同的后端
3. 增加num_results 参数使用
4. deep_research配合多个相关搜索词隐私考量

DuckDuckGo：注重隐私，不追踪用户

• Google：最全面但追踪搜索记录
• 推荐默认使用 DuckDuckGo，除非用户明确需要 Google 的覆盖范围
• 性能说明

首次搜索可能较慢（模型加载）

• 后续搜索更快（模型已缓存）
• 后端越多 = 越全面但越慢
• 根据使用场景调整
• num_results和top_k参数based on use case