介绍
# Local RAG Search Skill
此技能使您能够有效地使用 mcp-local-rag MCP 服务器，进行具备语义排序功能的智能网络搜索。该服务器执行类似 RAG 的相似度评分，以优先返回最相关的结果，而无需任何外部 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。
**何时使用：** - 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（默认：10） - `top_k`：返回的最相关结果数（默认：5） - `include_urls`：是否包含源 URL（默认：true）
### 2. `rag_search_google` - Google 搜索
用于全面、技术性或详细的搜索。
**何时使用：** - 技术或科学类查询 - 需要全面的覆盖 - 搜索特定文档
### 3. `deep_research` - 多引擎深度研究
用于跨多个搜索引擎的全面研究。
**何时使用：** - 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`：微软搜索引擎 - `brave`：隐私优先搜索 - `wikipedia`：百科/事实性内容 - `yahoo`、`yandex`、`mojeek`、`grokipedia`：替代引擎
**默认：** `[["duckduckgo", "google"]]`
### 4. `deep_research_google` - 仅 Google 深度研究
仅使用 Google 进行深度研究的快捷方式。
### 5. `deep_research_ddgs` - 仅 DuckDuckGo 深度研究
仅使用 DuckDuckGo 进行深度研究的快捷方式。
## 最佳实践
### 查询构建 1. **使用自然语言**：以问题或描述性短语的形式编写查询 - 好：“latest developments in quantum computing”（量子计算领域的最新进展） - 好：“how to implement binary search in Python”（如何在 Python 中实现二分查找） - 避免：“quantum”或“Python”等单一关键词
2. **保持具体**：包含上下文和细节 - 好：“React hooks best practices for 2024”（2024 年 React hooks 最佳实践） - 更好：“React useEffect cleanup function best practices”（React useEffect 清理函数最佳实践）
### 工具选择策略
1. **单一主题，快速回答** → 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. **全面研究** → 使用 `deep_research` 并配合多个搜索词 ``` 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/百科内容** → 使用 `deep_research` 并配合维基百科 ``` deep_research( search_terms=["World War II timeline", "WWII key battles"], backends=["wikipedia"], num_results_per_term=5 ) ```
### 参数调优
**针对快速回答：** - `num_results=5-10`，`top_k=3-5`
**针对全面研究：** - `num_results=15-20`，`top_k=7-10`
**针对深度研究：** - `num_results_per_term=10-15`，`top_k_per_term=3-5` - 使用 2-5 个相关搜索词 - 使用 1-3 个后端（越多越全面，但速度越慢）
## 工作流示例
### 示例 1：时事 ``` 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：技术深度解析 ``` 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 ```
## 指南
1. **始终引用来源**：当 `include_urls=True` 时，在回复中引用源 URL 2. **验证时效性**：检查内容是否为最新且相关 3. **交叉参考**：对于重要事实，使用多个搜索词或引擎 4. **尊重隐私**：除非特定需求要求使用 Google，否则通用查询使用 DuckDuckGo 5. **批量相关查询**：研究主题时，为 `deep_research` 创建多个相关搜索词 6. **语义相关性**：信任 RAG 评分 - 排名靠前的结果在语义上最接近查询 7. **解释您的选择**：简要说明您正在使用哪个工具以及原因
## 错误处理
如果搜索返回结果不足： 1. 尝试用不同的关键词重新表述查询 2. 切换到不同的后端 3. 增加 `num_results` 参数 4. 使用 `deep_research` 并配合多个相关搜索词
## 隐私注意事项
- DuckDuckGo：注重隐私，不跟踪用户 - Google：覆盖范围最广，但会跟踪搜索记录 - 推荐默认使用 DuckDuckGo，除非用户特别需要 Google 的覆盖范围
## 性能说明
- 首次搜索可能会较慢（模型加载） - 后续搜索速度更快（模型已缓存） - 更多后端 = 覆盖更全面，但速度更慢 - 根据用例调整 `num_results` 和 `top_k`