Local RAG Search 技能评估
核心用法
Local RAG Search 是一款纯文档型 Agent Skill，旨在指导用户高效使用 mcp-local-rag MCP 服务器进行语义化网页搜索。该技能本身不包含可执行代码，而是作为配置与使用指南，帮助 LLM 调用底层 MCP 服务器完成搜索任务。
五大核心工具
| 工具 | 适用场景 |
|------|---------|
| `rag_search_ddgs` | 隐私优先的一般查询，DuckDuckGo 后端 |
| `rag_search_google` | 技术/科学类深度查询，Google 后端 |
| `deep_research` | 多引擎综合研究，支持 10+ 搜索引擎 |
| `deep_research_google` | 纯 Google 深度研究快捷方式 |
| `deep_research_ddgs` | 纯 DuckDuckGo 深度研究快捷方式 |
关键特性
- 语义相似度排序：采用 RAG（检索增强生成）技术对搜索结果进行相关性评分
- 多引擎聚合：可组合 DuckDuckGo、Google、Bing、Brave、Wikipedia 等多种后端
- 隐私可控：DuckDuckGo 默认不追踪用户，Google 覆盖全面但有追踪
- 零 API 依赖：无需申请 Google API Key 等外部凭证
显著优点
1. 隐私友好架构：相比传统搜索方案，本地 RAG 搜索无需向 LLM 服务商暴露完整搜索历史，DuckDuckGo 后端更是默认无追踪
2. 语义理解能力：超越关键词匹配的 RAG 评分机制，能识别查询意图与内容的相关性
3. 多源交叉验证：deep_research 支持同时查询多个搜索引擎，便于获取多元视角
4. 参数灵活调优：通过 num_results（初始获取量）与 top_k（最终返回量）精确控制搜索深度
5. 技术栈透明：MIT 协议开源，作者信息公开（nkapila6），可追溯可审计
潜在局限
1. 依赖上游 MCP 服务器：本 Skill 仅为文档指南，实际搜索能力依赖 mcp-local-rag 服务器，需单独部署
2. 首次加载延迟：MCP 服务器首次运行需加载语义模型，存在冷启动时间
3. 多引擎性能权衡：后端越多结果越全面，但响应时间线性增加
4. 无实时缓存机制：每次查询均需实时调用搜索引擎，无法离线使用
5. 搜索结果质量波动：依赖底层搜索引擎的实时结果质量，不受本 Skill 控制
适合人群
| 用户类型 | 使用场景 |
|---------|---------|
| 隐私敏感型用户 | 需要搜索但不希望被追踪行为数据 |
| 研究人员 | 需要跨多源验证信息、获取多元观点 |
| 技术开发者 | 查询技术文档、API 参考、最佳实践 |
| 内容创作者 | 快速收集背景资料、核实事实 |
| 企业用户 | 无需申请 API Key 即可启用搜索能力 |
常规风险与注意事项
隐私层面
- DuckDuckGo 不追踪，但 Google 后端会记录搜索行为
- 敏感查询建议明确指定
rag_search_ddgs
信息准确性
- 搜索结果时效性取决于底层引擎索引，可能存在延迟
- 重要决策建议交叉验证，使用
deep_research 多引擎模式
上游依赖
- 需关注
mcp-local-rag 仓库的安全更新 - Docker 部署时需确认镜像来源可信
性能预期
- 复杂
deep_research 查询可能耗时 10-30 秒 - 首次查询需等待模型加载完成
安全评级说明
本 Skill 经 CLS-Certify v2.1.0 六维扫描：S 级（92 分）
- 纯 Markdown 文档，无可执行代码
- 零外部依赖，无 CVE 漏洞风险
- 无敏感数据收集，符合 GDPR/CCPA
- 来源可信（T2 级），作者信息公开透明