（281期）RAGLite – Local Expandable Library AI Library – 本地RAG缓存 · 私人文档智能检索

本地RAG缓存 · 私人文档智能检索 本地优先的RAG缓存工具，将文档蒸馏为结构化Markdown后使用Chroma+混合搜索索引查询，保护敏感数据隐私。 使用说明 核心用法 RAGLite 是一个本地优先的RAG（检索增强生成）缓存系统，专为需要反复查询非训练数据的场景设计。其核心流程分为三步： 蒸馏（Condense）——使用OpenClaw引擎将原始文档转换为结构化Markdown，去除冗余内容，保留关键信息 索引（Index）——将蒸馏后的内容嵌入到本地Chroma向量数据库集合中 查询（Query）——支持混合检索：向量相似度搜索（Chroma）+ 关键词匹配（ripgrep） 典型使用场景 个人知识库管理（学习笔记、医疗记录） 企业内部文档查询（运维手册、内部规范） 敏感数据的本地化处理，避免上传云端 技术依赖 Python 3.11+ Chroma向量数据库（默认本地http://127.0.0.1:8100） ripgrep（rg）用于关键词搜索 OpenClaw Gateway（用于文档蒸馏，需配置OPENCLAWGATEWAYTOKEN） 显著优点 | 优势 | 说明 ||:---|:---|| 隐私优先 | 敏感数据完全本地处理，不上传第三方服务 || 成本优化 | "压缩后再嵌入"策略减少token消耗，降低API调用成本 || 可审计性 | 中间产物为纯Markdown，人类可读、可版本控制 || 混合检索 | 向量+关键词双模式，兼顾语义理解和精确匹配 || 开源可扩展 | 基于Chroma和ripgrep，无厂商锁定，可迁移至托管方案 || 智能去重 | skip-existing和skip-indexed参数避免重复处理 | 潜在缺点与局限性 基础设施要求：需要自行维护Chroma服务和Python环境，对非技术用户门槛较高 依赖外部LLM：文档蒸馏依赖OpenClaw Gateway，若网关不可用则核心功能受限 单机性能瓶颈：本地Chroma在数据量激增时可能遇到扩展性问题 无实时同步：文档变更后需重新执行完整pipeline，非自动增量更新 索引冷启动：首次构建大规模知识库耗时较长 适合人群 隐私敏感用户：医疗、法律、金融从业者处理机密文档 开发者/运维人员：需要查询内部技术文档、运维手册 研究者/学生：管理大量学术论文、学习笔记的本地知识库 成本意识团队：希望替代Notion/Confluence等付费知识库的中度用户 合规要求严格的组织：数据必须驻留本地的企业环境 常规风险 | 风险类别 | 具体描述 | 缓解建议 ||:---|:---|:---|| 数据持久化风险 | Chroma本地存储若未备份可能丢失 | 定期备份--out目录和Chroma数据 || 网关单点故障 | OpenClaw服务不可用时无法蒸馏新文档 | 保留原始文档，建立网关健康检查 || 权限配置泄露 | OPENCLAWGATEWAYTOKEN等敏感配置 | 使用.env文件，避免提交至版本控制 || 索引一致性 | 文档删除后索引残留孤儿记录 | 定期重建索引或使用--skip-indexed策略 || 模型幻觉传递 | 蒸馏阶段若LLM产生幻觉，将污染整个知识库 | 对关键文档进行人工抽检验证 | 架构定位澄清 重要：RAGLite 不是内存替代品，也不直接管理对话上下文。它是专门用于"需要反复查找的非训练数据"的持久化存储层，与模型的短期记忆形成互补。 原始说明 Local-first RAG cache: distill docs into structured Markdown, then index/query with Chroma + hybrid search (vector + keyword).