核心用法
Local RAG Search 是一套无需外部 API 即可实现智能网页搜索的 MCP 技能，通过本地 RAG（检索增强生成）语义相似度排名机制，从 DuckDuckGo、Google、Bing、Brave、Wikipedia 等多个搜索引擎获取并智能排序结果。
该技能提供 5 个核心工具：rag_search_ddgs（隐私优先的 DuckDuckGo 搜索）、rag_search_google（技术/深度搜索）、deep_research（多引擎综合研究）、以及两个单引擎快捷版本。支持自然语言查询、参数调优（num_results/top_k）、多后端组合，适用于快速问答、技术调研、多视角研究等场景。
显著优点
1. 零 API 成本：完全本地化运行，无需申请或付费任何搜索引擎 API
2. 隐私可控：DuckDuckGo/Brave 等引擎不追踪用户，Google 提供最全覆盖
3. 语义智能排序：基于 RAG 的相似度评分，优先返回与查询语义最相关的结果
4. 多引擎聚合：deep_research 支持最多 9 种后端组合，避免单一引擎偏见
5. 灵活参数：可精细控制召回量（num_results）和最终输出量（top_k）
潜在局限
- 首次搜索需加载模型，存在冷启动延迟
- 多后端并发会显著降低响应速度
- 依赖搜索引擎本身的质量，无法访问付费墙内容
- 本地 RAG 评分可能与商业语义模型存在差异
适合人群
- 需要高频网页检索但不愿承担 API 费用的开发者
- 对搜索隐私敏感的研究人员和个人用户
- 需要多源信息交叉验证的内容创作者
- 构建本地知识工作流的技术团队
常规风险
- 搜索结果时效性取决于引擎索引，可能非实时
- 需自行验证关键事实，避免单一信源依赖
- Google 后端存在搜索行为追踪风险
- 模型缓存可能占用本地计算资源