JinDaGe - rag-code-mcp MCP Details

article

README

🚀 RagCode MCP - 让你的代码库支持AI

RagCode是一款模型上下文协议（MCP）服务器，能立即让你的项目支持AI。它通过语义向量搜索，使像 GitHub Copilot、Cursor、Windsurf 和 Claude 这样的AI助手能够理解你的整个代码库，弥合了你的代码与大语言模型（LLMs）之间的差距。

借助官方 Model Context Protocol Go SDK 构建，RagCode提供了9种强大的工具来对代码进行索引、搜索和分析，是支持AI的软件开发的终极解决方案。

🚀 快速开始

⚡ 一键安装

无需Go环境，无需构建工具，无需配置。只需Docker。

| 系统 | 安装命令 | | ---- | ---- | | Linux (amd64) | curl -fsSL https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_linux_amd64.tar.gz | tar xz && ./ragcode-installer -ollama=docker -qdrant=docker | | macOS (Apple Silicon) | curl -fsSL https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_darwin_arm64.tar.gz | tar xz && ./ragcode-installer -ollama=docker -qdrant=docker | | macOS (Intel) | curl -fsSL https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_darwin_amd64.tar.gz | tar xz && ./ragcode-installer -ollama=docker -qdrant=docker | | Windows (PowerShell) | Invoke-WebRequest -Uri "https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_windows_amd64.zip" -OutFile "ragcode.zip"; Expand-Archive ragcode.zip -DestinationPath . -Force; .\ragcode-installer.exe -ollama=docker -qdrant=docker |

就是这么简单！ 安装程序会自动完成以下操作：

✅ 下载并安装 rag-code-mcp 二进制文件
✅ 在Docker容器中设置Ollama和Qdrant
✅ 下载所需的AI模型（phi3:medium，nomic-embed-text）
✅ 配置你的IDE（VS Code、Cursor、Windsurf、Claude Desktop）
✅ 将二进制文件添加到你的PATH中

📖 完整安装指南 → | Windows WSL设置 →

🎯 零配置使用

安装完成后，你无需进行任何配置：

在你的IDE（VS Code、Cursor、Windsurf）中打开你的项目。
向你的AI助手询问关于你代码的问题。
就这么简单！ RagCode会自动进行索引并给出答案。

💬 "身份验证系统是如何工作的？"
💬 "查找此代码库中的所有API端点"
💬 "展示用户模型及其关系"

第一次查询会触发后台索引。后续查询将即时响应。

✨ 主要特性

🔒 隐私至上：100%本地AI

你的代码永远不会离开你的机器。 RagCode完全在你的本地基础设施上运行：

✅ 本地AI模型 - 使用Ollama进行大语言模型和嵌入（在你的硬件上运行）
✅ 本地向量数据库 - Qdrant在你的机器上的Docker容器中运行
✅ 零云依赖 - 无外部API调用，无数据传输
✅ 无API成本 - 永久免费，无使用限制或订阅费用
✅ 支持离线使用 - （初始模型下载后）无需互联网即可工作

非常适合： 企业代码库、专有项目、注重安全的团队。

🚀 选择RagCode的原因：性能优势

5 - 10倍更快的代码理解速度

| 任务 | 无RagCode | 有RagCode | 加速比 | | ---- | ---- | ---- | ---- | | 查找身份验证逻辑 | 30 - 60秒（读取10多个文件） | 2 - 3秒（语义搜索） | 10 - 20倍 | | 理解函数签名 | 15 - 30秒（grep + 读取） | 1 - 2秒（直接查找） | 15倍 | | 查找所有API端点 | 60 - 120秒（手动搜索） | 3 - 5秒（混合搜索） | 20 - 40倍 |

节省98%的令牌

无RagCode时：AI读取5 - 10个文件（约15,000个令牌）来查找一个函数。
有RagCode时：AI获取确切的函数 + 上下文（约200个令牌）。

RagCode与基于云的解决方案对比

| 特性 | RagCode（本地） | 云AI搜索 | | ---- | ---- | ---- | | 隐私性 | ✅ 100%本地 | ❌ 代码发送到云端 | | 成本 | ✅ 永久免费 | ❌ 每月20 - 100+美元 | | 离线使用 | ✅ 支持离线 | ❌ 需要互联网 | | 数据控制权 | ✅ 你拥有一切 | ❌ 由供应商控制数据 |

RagCode与通用RAG对比

| 方面 | 通用RAG | RagCode | | ---- | ---- | ---- | | 分块方式 | 任意文本分割 | 语义单元（函数、类） | | 元数据 | 仅文件名 | 名称、类型、参数、依赖项、行号 | | 结果 | 可能返回部分代码 | 始终返回完整、可运行的代码 |

🌐 多语言代码智能

| 语言 | 支持级别 | 特性 | 文档 | | ---- | ---- | ---- | ---- | | Go | ✅ 完全支持 | 函数、类型、接口、方法、抽象语法树（AST）分析 | 📖 Go分析器 | | PHP | ✅ 完全支持 | 类、方法、接口、特性、PHPDoc | 📖 PHP分析器 | | PHP + Laravel | ✅ 完全支持 | Eloquent模型、路由、控制器、中间件 | 📖 Laravel分析器 | | Python | ✅ 完全支持 | 类、函数、装饰器、类型提示、混合类 | 📖 Python分析器 | | JavaScript/TypeScript | 🔜 计划支持 | 即将推出（基于tree-sitter） | - |

多工作区支持

RagCode会自动检测并管理多个工作区，并使用独立的索引。

📖 工作区检测 → - 自动检测、稳定的ID、缓存

💻 IDE集成

RagCode与所有主流的支持AI的IDE兼容： | IDE | 状态 | 设置 | | ---- | ---- | ---- | | Windsurf | ✅ 自动配置 | 只需安装 | | Cursor | ✅ 自动配置 | 只需安装 | | VS Code + Copilot | ✅ 自动配置 | 需要VS Code 1.95+ | | Claude Desktop | ✅ 自动配置 | 只需安装 | | Antigravity | ✅ 自动配置 | 只需安装 |

📖 手动IDE设置 → | VS Code + Copilot指南 →

📦 安装指南

系统要求

最低要求

| 组件 | 要求 | 说明 | | ---- | ---- | ---- | | CPU | 4核 | 用于运行Ollama模型 | | 内存 | 16 GB | 8 GB用于 phi3:medium，4 GB用于 nomic-embed-text，4 GB用于系统 | | 磁盘 | 10 GB可用空间 | 约8 GB用于模型 + 2 GB用于数据 | | 操作系统 | Linux、macOS、Windows | Qdrant需要Docker |

💻 使用示例

基础用法

你可以直接向AI助手提问，例如：

💬 "身份验证系统是如何工作的？"

RagCode会自动进行索引并给出答案。

高级用法

在进行更复杂的代码查询时，例如查找所有API端点：

💬 "查找此代码库中的所有API端点"

RagCode会利用其强大的语义搜索功能快速定位并返回结果。

📚 详细文档

入门指南

快速开始指南 - 5分钟内完成安装
IDE设置 - 手动进行IDE配置

配置与操作

配置指南 - 模型、环境变量、高级设置
故障排除 - 常见问题及解决方案
Docker设置 - Docker配置详情

语言分析器

Go分析器 - 函数、类型、接口、GoDoc
PHP分析器 - 类、特性、PHPDoc
Laravel分析器 - Eloquent、路由、控制器
Python分析器 - 类、装饰器、类型提示

技术参考

架构概述 - 技术深度剖析
工具架构参考 - 完整的API文档
增量索引 - 智能索引的工作原理
工作区检测 - 多工作区支持
VS Code + Copilot - 详细的Copilot设置

外部资源

Model Context Protocol - 官方MCP规范
Ollama - 本地大语言模型和嵌入模型
Qdrant - 向量数据库

🔧 技术细节

🛠️ 9种强大的MCP工具

| 工具 | 描述 | 使用场景 | | ---- | ---- | ---- | | search_code | 按语义进行搜索 | 探索代码的首选 | | hybrid_search | 关键字 + 语义搜索以实现精确匹配 | 需要精确标识符时 | | get_function_details | 获取完整的函数源代码 | 知道确切的函数名称时 | | find_type_definition | 查找类型/类及其字段和方法 | 理解数据模型时 | | find_implementations | 查找所有使用情况和调用者 | 进行重构之前 | | list_package_exports | 列出所有导出的符号 | 探索不熟悉的包时 | | search_docs | 搜索Markdown文档 | 获取设置、架构信息时 | | get_code_context | 获取带有上下文的代码片段 | 有文件:行引用时 | | index_workspace | 重新索引代码库 | 进行重大更改后 |

📖 完整工具参考 →

📄 许可证

RagCode MCP是开源软件，采用**MIT许可证**。

🤝 贡献

我们欢迎贡献！你可以通过以下方式提供帮助：

🐛 报告漏洞
💡 请求新特性 - 分享关于新工具或语言的想法
🔧 提交拉取请求 - 改进代码、文档或添加新特性
⭐ 给项目加星 - 表示你的支持

开发设置

git clone https://github.com/doITmagic/rag-code-mcp.git
cd rag-code-mcp
go mod download
go run ./cmd/rag-code-mcp

为想要更智能AI代码助手的开发者用心打造

如果RagCode对你的工作流程有帮助，请在GitHub上**给我们加星**！

有问题？ 提交问题 • 阅读文档 • 参与讨论

rag-code-mcp