我的数据分析工具

基于 Chroma、Ollama 与 MCP 的本地 RAG 检索技能，用于 OpenClaw 查询私有知识库与 PDF 文档。

RAG 检索技能（RAG Skill）

该 Skill 用于将 OpenClaw 与本地 RAG（Retrieval-Augmented Generation）知识库连接，使 Agent 可以查询本地 PDF、项目文档、会议记录、技术资料以及私有知识库，而不仅仅依赖模型自身参数知识。

本 Skill 基于：

• Chroma 向量数据库
• Ollama Embedding 模型
• MCP（Model Context Protocol）工具接口
• OpenClaw Agent Skill 机制

实现 OpenClaw 与本地知识库的标准化集成。

---

使用场景

当用户提出以下类型问题时，应使用本 Skill：

• 查询本地 PDF 文档
• 查询私有项目资料
• 查询技术文档
• 查询会议记录
• 查询本地知识库
• 查询向量数据库中的内容
• 检索企业内部资料
• 基于本地文档进行问答

例如：

• “查询 CircularAI Phase 3 的相关内容”
• “从我的本地知识库中搜索 MCP 集成方案”
• “根据 PDF 总结该项目的主要问题”
• “检索与 Agentic RAG 相关的资料”

对于普通闲聊、公开常识问题或不需要文档检索的问题，不应使用本 Skill。

---

系统架构

整体流程如下：

text

用户问题
  ↓
OpenClaw Agent
  ↓
MCP Tool 调用
  ↓
rag_query
  ↓
Chroma 向量数据库
  ↓
Ollama Embedding
  ↓
返回相关文档片段
  ↓
OpenClaw 生成最终回答

本 Skill 的核心目标是：

text

让 OpenClaw 能够访问本地私有知识库。

---

MCP 工具

本 Skill 暴露以下 MCP Tool：

text

rag_query

输入：

json

{
  "query": "用户问题",
  "k": 3
}

输出：

json

{
  "query": "用户问题",
  "results": [
    {
      "content": "检索到的文档内容",
      "metadata": {
        "source": "文档名称",
        "page": 1
      }
    }
  ]
}

---

环境要求

需要以下环境：

• Python 3.10+
• Ollama
• Chroma
• OpenClaw
• MCP Python SDK

需要安装的 Python 包：

bash

pip install mcp chromadb langchain-community langchain-ollama

需要提前下载 embedding 模型：

bash

ollama pull bge-m3

启动 Ollama：

bash

ollama serve

---

OpenClaw 配置

需要在 OpenClaw 配置文件中注册 MCP Server：

json

{
  "mcpServers": {
    "rag": {
      "command": "python",
      "args": [
        "/absolute/path/to/rag_mcp_server.py"
      ]
    }
  }
}

推荐使用绝对路径。

因为 OpenClaw 启动 MCP Server 时的工作目录可能并不是当前目录，使用相对路径可能导致无法找到 Chroma 数据库。

---

回答规则

使用本 Skill 时：

• 优先基于检索结果回答
• 尽量保留文档来源信息
• 不要编造不存在的文档
• 不要伪造页码或引用
• 如果没有检索到有效结果，应明确说明
• 如果结果可信度较低，应说明“证据不足”

---

安全说明

本 Skill 默认仅访问本地数据。

其设计目标是：

• 不上传本地文件
• 不调用外部云 API
• 不执行危险 Shell 命令
• 不访问 SSH Key
• 不需要 sudo 权限

所有文档均保留在本地 Chroma 数据库中。

用户在修改 Skill 或 MCP Server 后，应自行检查代码安全性。

---

局限性

本 Skill 只能检索：

text

已经被向量化并写入 Chroma 数据库的文档

如果文档尚未建立 embedding，则无法被检索。

检索效果依赖：

• chunk 切分策略
• embedding 模型质量
• 查询语句质量
• 向量数据库更新情况
• metadata 完整性

建议在新增文档后重新构建向量数据库。

---

适用对象

本 Skill 适用于：

• OpenClaw 用户
• 本地 RAG 系统开发者
• 私有知识库场景
• 企业内部 Agent
• 本地 AI 助手
• Agentic RAG 系统
• MCP Tool 开发者

尤其适合：

text

OpenClaw + MCP + Chroma + Ollama

的本地 Agent 架构。