本地 RAG 搜索技能

该技能使您能够高效地使用 mcp-local-rag MCP 服务器，执行具备语义排序能力的智能网页搜索。该服务器通过类 RAG 的相似度打分机制对结果进行排序，优先返回最相关的结果，且无需调用任何外部 API。

可用工具

1. rag_search_ddgs — DuckDuckGo 搜索

适用于注重隐私的一般性网页搜索。

适用场景：

• 用户偏好隐私优先的搜索方式
• 通用信息查询
• 大多数查询的默认选择

参数说明：

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

2. rag_search_google — Google 搜索

适用于全面、技术性强或细节丰富的搜索任务。

适用场景：

• 技术性或科学性问题查询
• 需要覆盖范围更广的结果
• 查找特定技术文档

3. deep_research — 多引擎深度研究

适用于跨多个搜索引擎开展的综合性研究任务。

适用场景：

• 研究复杂主题，需广泛覆盖不同来源
• 需要从多个渠道获取多样化视角
• 围绕某一主题系统性地收集全面信息

支持的后端引擎：

• duckduckgo：注重隐私的通用搜索
• google：提供全面的技术类结果
• bing：微软搜索引擎
• brave：以隐私为优先的搜索引擎
• wikipedia：百科全书/事实性内容
• yahoo、yandex、mojeek、grokipedia：其他可选搜索引擎

默认后端： ["duckduckgo", "google"]

4. deep_research_google — 仅使用 Google 的深度研究

快捷方式：仅启用 Google 引擎的深度研究模式。

5. deep_research_ddgs — 仅使用 DuckDuckGo 的深度研究

快捷方式：仅启用 DuckDuckGo 引擎的深度研究模式。

最佳实践

查询构造

1. 使用自然语言表达：以提问句或描述性短语形式撰写查询

   • 推荐示例："量子计算领域的最新进展"
   • 推荐示例："如何在 Python 中实现二分查找"
   • 避免使用：单个关键词，如 "quantum" 或 "Python"

2. 保持具体明确：在查询中加入上下文与细节

   • 推荐示例："React Hooks 在 2024 年的最佳实践"
   • 更优示例："React useEffect 清理函数的最佳实践"

工具选择策略

1. 单一主题、快速应答 → 使用 rag_search_ddgs 或 rag_search_google

   rag_search_ddgs(
       query="法国的首都是什么？",
       top_k=3
   )
   

2. 技术性/科学性查询 → 使用 rag_search_google

   rag_search_google(
       query="Docker 多阶段构建优化技术",
       num_results=15,
       top_k=7
   )
   

3. 综合性研究 → 使用 deep_research 并指定多个搜索词

   deep_research(
       search_terms=[
           "机器学习基础概念",
           "神经网络架构设计",
           "2024 年深度学习最佳实践"
       ],
       backends=["google", "duckduckgo"],
       top_k_per_term=5
   )
   

4. 事实性/百科类内容 → 使用 deep_research 并指定 Wikipedia 后端

   deep_research(
       search_terms=["第二次世界大战时间线", "二战关键战役"],
       backends=["wikipedia"],
       num_results_per_term=5
   )
   

参数调优建议

针对快速应答场景：

• num_results=5-10，top_k=3-5

针对综合性研究场景：

• num_results=15-20，top_k=7-10

针对深度研究场景：

• 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 个后端引擎（引擎越多，覆盖越全面，但响应越慢）

工作流示例

示例 1：时事新闻查询

任务："上周联合国气候峰会发生了什么？"

1. 使用 rag_search_google 获取近期新闻报道
2. 设置 top_k=7，获得更全面的视图
3. 呈现结果时附带来源 URL

示例 2：技术深度解析

任务："如何优化 PostgreSQL 查询？"

1. 使用 deep_research 并搭配多个具体搜索词：
   - "PostgreSQL 查询优化技术"
   - "PostgreSQL 索引最佳实践"
   - "PostgreSQL EXPLAIN ANALYZE 教程"
2. 若可用，后端可设置为 backends=["google", "stackoverflow"]
3. 将检索结果整合为一份可操作的技术指南

示例 3：多视角综合研究

任务："研究远程办公对工作效率的影响"

1. 使用 deep_research 并搭配多样化搜索词：
   - "2024 年远程办公效率统计数据"
   - "混合办公模式有效性研究"
   - "居家办公挑战相关研究"
2. 后端选用 backends=["google", "duckduckgo"]，确保覆盖面广
3. 综合分析不同观点与研究成果

使用指南

1. 始终标注来源：当 include_urls=True 时，请在响应中引用对应来源 URL
2. 验证时效性：确认所获内容是否为最新且与当前查询高度相关
3. 交叉验证：对关键事实，建议使用多个搜索词或多个搜索引擎进行比对
4. 尊重用户隐私：一般性查询默认使用 DuckDuckGo；仅在有明确需求时才切换至 Google
5. 批量处理关联查询：开展主题研究时，应为 deep_research 构建多个相关搜索词
6. 语义相关性优先：信任 RAG 打分机制——排名靠前的结果在语义上最贴近原始查询
7. 说明工具选择理由：简要说明所选工具及其适用原因

错误处理

若某次搜索返回结果不足，请按以下顺序尝试：

1. 使用不同关键词重新组织查询语句
2. 切换至其他后端搜索引擎
3. 增大 num_results 参数值
4. 改用 deep_research 并传入多个相关搜索词

隐私考量

• DuckDuckGo：注重隐私保护，不追踪用户行为
• Google：覆盖最全面，但会记录搜索行为
• 建议将 DuckDuckGo 设为默认搜索引擎，除非用户明确要求 Google 的覆盖能力

性能说明

• 首次搜索可能较慢（需加载模型）
• 后续搜索速度更快（模型已缓存）
• 启用更多后端引擎 = 覆盖更全面，但响应更慢
• 请根据实际用例合理调整 num_results 和 top_k 参数