mcpRAG
集成开源嵌入与向量库，基于Gemini开发本地RAG系统的工具。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：mcpRAG。 它的用途是：集成开源嵌入与向量库，基于Gemini开发本地RAG系统的工具。 完整的 Skill 内容见：https://321skill.com/skills/mcprag/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“基于mcpRAG框架，帮我想想如何构建一个能回答我内部技术文档的问答助手。”，它会引导你规划文档加载、向量化存储和查询链路的搭建步骤。或者
对AI说：“参考mcpRAG的示例，写一段将本地PDF文档存入ChromaDB的代码。”，它会提供核心的代码片段和配置要点。
介绍
mcpRAG 是一个专为开发MCP（Model Context Protocol）RAG（检索增强生成）系统而设计的工具。它解决了开发者在构建本地化、注重隐私的智能应用时，需要整合多种开源组件（如嵌入模型、向量数据库）与商业大模型（如Gemini）的复杂性问题。
用户可以通过该工具快速搭建一个能够处理本地文档（如PDF、TXT）的RAG系统开发环境。它提供了必要的集成接口和示例，帮助开发者将文档切片、向量化、存储与检索，并最终与Gemini等模型结合，生成基于私有知识的回答。
它非常适合智能体开发者、全栈开发者和希望将私有数据与AI能力结合的研究者或工程师。这些用户通常需要构建定制化的知识问答、文档分析或内部助手应用，并希望保持对数据和流程的完全控制。
使用建议：建议用户具备一定的Python开发经验和对RAG基础概念的理解。在开始前，请确保已准备好Gemini API密钥，并根据README配置好本地的向量数据库（如ChromaDB）和嵌入模型环境。注意处理不同格式文档的解析和长文本的切分策略。
核心特点
核心区别在于它专门针对MCP协议进行RAG系统开发，提供了从开源嵌入模型、向量库到Gemini API的端到端集成方案，而非单一的客户端或服务。它更侧重于为开发者提供一个可定制、可本地化部署的RAG开发基础框架。
注意事项
不适合希望开箱即用、无需代码配置的终端用户，或需要直接处理复杂非结构化数据（如音视频）的场景。
常见问题
mcpRAG支持哪些向量数据库？
通常支持ChromaDB等主流开源向量库，具体需查看项目文档。
必须使用Gemini模型吗？
工具设计围绕Gemini集成，但框架可能允许替换为其他兼容MCP或类似接口的模型。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/mcprag/raw/index.md 读取 mcpRAG 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/mcprag/raw/index.md（查看排版版本）