SEAR
基于本地模型与确定性检索的增强型RAG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：SEAR。 它的用途是：基于本地模型与确定性检索的增强型RAG工具 详细介绍见：https://321skill.com/skills/sear/ 请根据该页面的说明完成安装。
使用示例
“帮我从我们的项目文档和API手册中，找出所有关于‘用户认证’的实现细节和注意事项。”，SEAR会并行搜索你指定的多个文档库，利用本地模型快速汇总出关键信息，并附上每一条结论对应的具体文件路径和行号，方便你直接查阅源码。
介绍
SEAR是一个专为检索增强生成设计的开源工具，它解决了传统RAG方案成本高、结果不确定、来源追踪模糊的问题。通过结合FAISS向量检索的100%确定性与本地LLM的智能摘要，SEAR能够在离线环境下，以零成本、高精度的方式从多个独立知识库中快速定位并合成答案，并精确追踪到源文件的具体行号。
使用SEAR非常简单。首先通过pip安装核心包，并拉取轻量级的本地嵌入模型和语言模型。然后，将你的文档（支持PDF、DOCX等格式，可自动转换）或文本文件整理为知识库。之后，通过命令行或集成到Claude Code中，即可像使用搜索引擎一样进行查询，SEAR会自动完成检索、过滤、摘要和来源标注的全流程。
这个工具非常适合需要频繁、深度查询内部文档、代码库或研究资料，同时又对成本、数据隐私和结果可复现性有高要求的开发者和研究者。例如，全栈开发者可以用它快速查找项目文档中的API细节，学术研究者可以高效梳理多篇论文的核心观点。
建议初次使用时，先从单一、结构清晰的文档（如项目README）开始构建知识库，以熟悉流程。由于生成环节依赖本地LLM，虽然默认模型较小，但在处理复杂或需要深度推理的查询时，答案质量可能受限，此时可考虑升级到更强大的本地模型。同时，确保你的原始文档格式规整，以获得最佳的转换和检索效果。
核心特点
SEAR的核心区别在于其“检索优先”与“完全确定性”设计：它先通过100%确定性的FAISS检索并基于经验阈值（如0.30）严格过滤低质量结果，仅将少量高相关片段送入LLM，实现了99%的Token节省和零API成本；同时提供精确到源文件行级的追踪，而非传统的模糊块级引用。
注意事项
不适合需要复杂逻辑推理或高度创造性内容生成的场景，其答案质量受限于本地轻量级LLM的能力。
常见问题
SEAR能完全离线运行吗？
是的，核心的检索和生成（使用Ollama本地模型）均可完全离线运行，无需任何外部API。
支持哪些文档格式？
原生支持.txt和.md文件，通过可选组件可自动将PDF、DOCX等格式转换为Markdown进行处理。