DevRag

RAG local gratuito para Claude Code: ahorra tokens y tiempo con búsqueda vectorial. Indexa documentos markdown y encuentra información relevante sin leer archivos completos (40 veces menos tokens, 15 veces más rápido).

GitHub
64
Prueba este MCPPatrocinado

Documentación

DevRag

RAG local gratuito para Claude Code: ahorra tokens y tiempo

Versión en inglés | English Version

DevRag es un sistema RAG (Retrieval-Augmented Generation) ligero diseñado específicamente para desarrolladores que usan Claude Code. Deja de desperdiciar tokens leyendo documentos completos: deja que la búsqueda vectorial encuentre exactamente lo que necesitas.

¿Por qué DevRag?

Cuando usas Claude Code, leer documentos con la herramienta Read consume una cantidad masiva de tokens:

  • ❌ Desperdicio de contexto: Leer documentos completos cada vez (más de 3000 tokens por archivo)
  • ❌ Mala capacidad de búsqueda: Claude no sabe qué archivo contiene qué
  • ❌ Repetitivo: Los mismos documentos se leen varias veces entre sesiones

Con DevRag:

  • ✅ 40 veces menos tokens: La búsqueda vectorial recupera solo fragmentos relevantes (~200 tokens)
  • ✅ 15 veces más rápido: Búsqueda en 100 ms frente a 30 segundos de lectura
  • ✅ Descubrimiento automático: Claude Code encuentra documentos sin conocer los nombres de archivo

Características

  • 🤖 RAG simple: Generación aumentada por recuperación para Claude Code
  • 📝 Soporte de Markdown: Indexa automáticamente archivos .md
  • 🔍 Búsqueda semántica: Consultas en lenguaje natural como "método de autenticación JWT"
  • 🚀 Binario único: Sin Python, los modelos se descargan automáticamente en la primera ejecución
  • 💻 CLI y MCP: Úsalo como servidor MCP o como comandos CLI independientes
  • 🖥️ Multiplataforma: macOS / Linux / Windows
  • ⚡ Rápido: Detección automática de GPU/CPU, sincronización incremental
  • 🌐 Multilingüe: Soporta más de 100 idiomas, incluidos japonés e inglés

Inicio rápido

1. Descargar el binario

Obtén el binario adecuado desde Releases:

PlataformaArchivo
macOS (Apple Silicon)devrag-macos-apple-silicon.tar.gz
macOS (Intel)devrag-macos-intel.tar.gz
Linux (x64)devrag-linux-x64.tar.gz
Linux (ARM64)devrag-linux-arm64.tar.gz
Windows (x64)devrag-windows-x64.zip

macOS/Linux:

tar -xzf devrag-*.tar.gz
chmod +x devrag-*
sudo mv devrag-* /usr/local/bin/

Nota: Las versiones de macOS incluyen libonnxruntime.dylib para la aceleración GPU CoreML. Mantenlo en el mismo directorio que el binario devrag.

Windows:

  • Extrae el archivo zip
  • Colócalo en la ubicación que prefieras (por ejemplo, C:\Program Files\devrag\)

2. Configurar Claude Code

Añade a ~/.claude.json o .mcp.json:

{
  "mcpServers": {
    "devrag": {
      "type": "stdio",
      "command": "/usr/local/bin/devrag"
    }
  }
}

Usando un archivo de configuración personalizado:

{
  "mcpServers": {
    "devrag": {
      "type": "stdio",
      "command": "/usr/local/bin/devrag",
      "args": ["--config", "/path/to/custom-config.json"]
    }
  }
}

3. Añade tus documentos

mkdir documents
cp your-notes.md documents/

¡Eso es todo! Los documentos se indexan automáticamente al iniciar.

4. Busca con Claude Code

En Claude Code:

"Search for JWT authentication methods"

Configuración

Crea config.json:

{
  "document_patterns": [
    "./documents",
    "./notes/**/*.md",
    "./projects/backend/**/*.md"
  ],
  "db_path": "./vectors.db",
  "chunk_size": 500,
  "search_top_k": 5,
  "compute": {
    "device": "auto",
    "fallback_to_cpu": true
  },
  "model": {
    "name": "multilingual-e5-small",
    "dimensions": 384
  }
}

Opciones de configuración

  • document_patterns: Matriz de rutas de documentos y patrones glob
    • Admite rutas de directorio: "./documents"
    • Admite patrones glob: "./docs/**/*.md" (recursivo)
    • Múltiples patrones: Indexa archivos de diferentes ubicaciones
    • Nota: El campo antiguo documents_dir sigue siendo compatible (se migra automáticamente)
  • db_path: Ruta del archivo de base de datos vectorial
  • chunk_size: Tamaño de fragmento del documento en caracteres
  • search_top_k: Número de resultados de búsqueda a devolver
  • compute.device: Dispositivo de cómputo (auto, cpu, gpu)
  • compute.fallback_to_cpu: Recurrir a CPU si la GPU no está disponible
  • model.name: Nombre del modelo de incrustación
  • model.dimensions: Dimensiones del vector

Opciones de línea de comandos

  • --config <path>: Especifica una ruta de archivo de configuración personalizada (predeterminado: config.json)

Ejemplo:

devrag --config /path/to/custom-config.json

Esto es útil para:

  • Ejecutar múltiples instancias con diferentes configuraciones
  • Probar diferentes modelos o tamaños de fragmento
  • Mantener configuraciones separadas de desarrollo/pruebas/producción

Ejemplos de patrones

{
  "document_patterns": [
    "./documents",                    // All .md files in documents/
    "./notes/**/*.md",                // Recursive search in notes/
    "./projects/*/docs/*.md",         // docs/ in each project
    "/path/to/external/docs"          // Absolute path
  ]
}

Herramientas MCP

DevRag proporciona las siguientes herramientas a través del Model Context Protocol:

search

Realiza búsqueda vectorial semántica con filtrado opcional

Parámetros:

  • query (string, obligatorio): Consulta de búsqueda en lenguaje natural
  • top_k (number, opcional): Número máximo de resultados (predeterminado: 5)
  • directory (string, opcional): Filtro a un directorio específico (por ejemplo, "docs/api")
  • file_pattern (string, opcional): Patrón glob para el nombre de archivo (por ejemplo, "api-.md", ".md")

Devuelve: Matriz de resultados de búsqueda con nombre de archivo, contenido del fragmento y puntuación de similitud

Ejemplos:

// Basic search
search(query: "JWT authentication")

// Search only in docs/api directory
search(query: "user endpoints", directory: "docs/api")

// Search only files matching pattern
search(query: "deployment", file_pattern: "guide-*.md")

// Combined filters
search(query: "authentication", directory: "docs/api", file_pattern: "auth*.md")

index_markdown

Indexa un archivo Markdown

Parámetros:

  • filepath (string): Ruta del archivo a indexar

list_documents

Lista todos los documentos indexados

Devuelve: Lista de documentos con nombres de archivo y marcas de tiempo

delete_document

Elimina un documento del índice

Parámetros:

  • filepath (string): Ruta del archivo a eliminar

reindex_document

Reindexa un documento

Parámetros:

  • filepath (string): Ruta del archivo a reindexar

Uso de CLI

DevRag también se puede usar como herramienta CLI independiente. Todas las herramientas MCP están disponibles como comandos CLI.

# Start MCP server (default)
devrag
devrag serve

# Search documents
devrag search "JWT authentication"
devrag search "deployment" --top-k 10 --directory docs/api

# Index files
devrag index ./docs/api-spec.md
devrag index-code --directory ./src

# List indexed documents
devrag list
devrag list --fields filename

# Delete / Reindex
devrag delete ./docs/old-spec.md --dry-run
devrag reindex ./docs/updated-spec.md

# Code symbol relations
devrag search-relations handleAuth --type calls

# Build dictionary (Japanese-English mapping)
devrag build-dictionary

# Show CLI schema (machine-readable)
devrag schema

Formato de salida

Todos los comandos generan JSON de forma predeterminada. Usa --output text para una salida legible por humanos.

# JSON (default, suitable for scripts and AI agents)
devrag search "authentication"

# Text (human-readable)
devrag search "authentication" --output text

Compatibilidad con nombres de herramientas MCP

Los comandos CLI también aceptan nombres de herramientas MCP con guiones bajos:

devrag index_markdown ./docs/api.md    # same as: devrag index
devrag list_documents                  # same as: devrag list
devrag delete_document ./docs/old.md   # same as: devrag delete
devrag reindex_document ./docs/api.md  # same as: devrag reindex

Sintaxis de banderas

Las banderas deben colocarse antes de los argumentos posicionales:

# Correct
devrag delete --dry-run file.md

# Incorrect (--dry-run is ignored)
devrag delete file.md --dry-run

Desarrollo en equipo

Perfecto para equipos con grandes repositorios de documentación:

  1. Gestiona documentos en Git: Flujo de trabajo normal de Git
  2. Cada desarrollador ejecuta DevRag: Configuración local en cada máquina
  3. Busca a través de Claude Code: Todos pueden buscar en todos los documentos
  4. Sincronización automática: git pull actualiza automáticamente el índice

Configura para el directorio de documentos de tu proyecto:

{
  "document_patterns": [
    "./docs",
    "./api-docs/**/*.md",
    "./wiki/**/*.md"
  ],
  "db_path": "./.devrag/vectors.db"
}

Rendimiento

Entorno: MacBook Pro M2, 100 archivos (1 MB en total)

OperaciónTiempoTokens
Inicio2,3 s-
Indexación8,5 s-
Búsqueda (1 consulta)95 ms~300
Lectura tradicional25 s~12 000

Búsqueda 260 veces más rápida, 40 veces menos tokens

Desarrollo

Ejecutar pruebas

# All tests
go test ./...

# Specific packages
go test ./internal/config -v
go test ./internal/indexer -v
go test ./internal/embedder -v
go test ./internal/vectordb -v

# Integration tests
go test . -v -run TestEndToEnd

Compilar

# Using build script
./build.sh

# Direct build
go build -o devrag cmd/main.go

# Cross-platform release build
./scripts/build-release.sh

Crear una versión

# Create version tag
git tag v1.0.1

# Push tag
git push origin v1.0.1

GitHub Actions automáticamente:

  1. Compila para todas las plataformas
  2. Crea una versión de GitHub
  3. Sube los binarios
  4. Genera sumas de verificación

Estructura del proyecto

devrag/
├── cmd/
│   └── main.go              # Entry point
├── internal/
│   ├── cli/                 # CLI commands
│   ├── config/              # Configuration
│   ├── embedder/            # Vector embeddings
│   ├── indexer/             # Indexing logic
│   ├── mcp/                 # MCP server
│   └── vectordb/            # Vector database
├── models/                  # ONNX models
├── build.sh                 # Build script
└── integration_test.go      # Integration tests

Solución de problemas

La descarga del modelo falla

Causa: Problemas de conexión a Internet o del servidor de Hugging Face

Soluciones:

  1. Verifica la conexión a Internet
  2. Para entornos con proxy: 
    export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port
  3. Descarga manual (consulta models/DOWNLOAD.md)
  4. Reintenta (los archivos incompletos se eliminan automáticamente)

GPU / CoreML no funciona

En macOS, DevRag usa Apple CoreML para la aceleración GPU/Neural Engine. Requisitos:

  • libonnxruntime.dylib debe estar en el mismo directorio que el binario devrag
  • Las versiones de macOS de GitHub incluyen este archivo automáticamente

Si CoreML no está disponible, DevRag recurre automáticamente a CPU. Para ajustar el rendimiento:

# Adjust CPU thread count (default: 4)
DEVRAG_THREADS=4 devrag

Para forzar explícitamente el modo CPU:

{
  "compute": {
    "device": "cpu",
    "fallback_to_cpu": true
  }
}

No se inicia

  • Asegúrate de tener Go 1.21+ instalado (para compilar)
  • Verifica que CGO esté habilitado: go env CGO_ENABLED
  • Verifica que las dependencias estén instaladas
  • Se requiere Internet para la primera ejecución (descarga del modelo)

Resultados de búsqueda inesperados

  • Ajusta chunk_size (predeterminado: 500)
  • Reconstruye el índice (elimina vectors.db y reinicia)

Alto uso de memoria

  • El modo GPU carga el modelo en VRAM
  • Cambia al modo CPU para un menor uso de memoria

Requisitos

  • Go 1.21+ (para compilar desde el código fuente)
  • CGO habilitado (para sqlite-vec)
  • macOS, Linux o Windows

Licencia

Licencia MIT

Créditos

Contribuciones

¡Las incidencias y las solicitudes de extracción son bienvenidas!

Colaboradores

Agradecimientos especiales a todos los colaboradores que ayudaron a mejorar DevRag:

  • @badri - Múltiples rutas de documentos con patrones glob (#2), bandera CLI --config (#3)
  • @io41 - Limpieza del proyecto y mejoras de documentación (#4)

¡Tus contribuciones hacen que DevRag sea mejor para todos!

Autor

towada

Versión en japonés

RAG local gratuito para Claude Code: ahorra tokens y tiempo

DevRag es un sistema RAG (Retrieval-Augmented Generation) ligero para desarrolladores que usan Claude Code. Deja de desperdiciar tokens leyendo documentos completos y obtén solo la información que necesitas con la búsqueda vectorial.

¿Por qué se necesita DevRag?

Leer documentos con Claude Code consume una gran cantidad de tokens:

  • ❌ Desperdicio de contexto: Leer documentos completos cada vez (más de 3000 tokens por archivo)
  • ❌ Falta de capacidad de búsqueda: Claude no sabe qué hay en cada archivo
  • ❌ Repetitivo: Leer los mismos documentos varias veces entre sesiones

Con DevRag:

  • ✅ Consumo de tokens 1/40: Obtén solo las partes necesarias con la búsqueda vectorial (alrededor de 200 tokens)
  • ✅ 15 veces más rápido: Búsqueda en 100 ms frente a 30 segundos de lectura
  • ✅ Descubrimiento automático: Claude Code encuentra documentos sin conocer los nombres de archivo

Características

  • 🤖 RAG simple: Generación aumentada por recuperación para Claude Code
  • 📝 Soporte de Markdown: Indexa automáticamente archivos .md
  • 🔍 Búsqueda semántica: Consultas en lenguaje natural como "método de autenticación JWT"
  • 🚀 Binario único: Sin Python, los modelos se descargan automáticamente en la primera ejecución
  • 💻 CLI y MCP: Úsalo como servidor MCP o como comandos CLI independientes
  • 🖥️ Multiplataforma: macOS / Linux / Windows
  • ⚡ Rápido: Detección automática de GPU/CPU, sincronización incremental
  • 🌐 Multilingüe: Soporta más de 100 idiomas, incluidos japonés e inglés

Inicio rápido

1. Descargar el binario

Descarga el archivo adecuado para tu entorno desde Releases:

PlataformaArchivo
macOS (Apple Silicon)devrag-macos-apple-silicon.tar.gz
macOS (Intel)devrag-macos-intel.tar.gz
Linux (x64)devrag-linux-x64.tar.gz
Linux (ARM64)devrag-linux-arm64.tar.gz
Windows (x64)devrag-windows-x64.zip

macOS/Linux:

tar -xzf devrag-*.tar.gz
chmod +x devrag-*
sudo mv devrag-* /usr/local/bin/

Nota: Las versiones de macOS incluyen libonnxruntime.dylib para la aceleración GPU CoreML. Colócalo en el mismo directorio que el binario devrag.

Windows:

  • Extrae el archivo zip
  • Colócalo en la ubicación que prefieras (por ejemplo, C:\Program Files\devrag\)

2. Configuración de Claude Code

Añade a ~/.claude.json o .mcp.json:

{
  "mcpServers": {
    "devrag": {
      "type": "stdio",
      "command": "/usr/local/bin/devrag"
    }
  }
}

Si usas un archivo de configuración personalizado:

{
  "mcpServers": {
    "devrag": {
      "type": "stdio",
      "command": "/usr/local/bin/devrag",
      "args": ["--config", "/path/to/custom-config.json"]
    }
  }
}

3. Coloca los documentos

mkdir documents
cp your-notes.md documents/

¡Eso es todo! Se indexan automáticamente al iniciar.

4. Busca con Claude Code

En Claude Code:

「JWTの認証方法について検索して」

Configuración

Crea config.json:

{
  "document_patterns": [
    "./documents",
    "./notes/**/*.md",
    "./projects/backend/**/*.md"
  ],
  "db_path": "./vectors.db",
  "chunk_size": 500,
  "search_top_k": 5,
  "compute": {
    "device": "auto",
    "fallback_to_cpu": true
  },
  "model": {
    "name": "multilingual-e5-small",
    "dimensions": 384
  }
}

Opciones de configuración

  • document_patterns: Matriz de rutas de documentos y patrones glob
    • Admite rutas de directorio: "./documents"
    • Admite patrones glob: "./docs/**/*.md" (recursivo)
    • Múltiples patrones: Indexa archivos de diferentes ubicaciones
    • Nota: El campo antiguo documents_dir también es compatible (se migra automáticamente)
  • db_path: Ruta de la base de datos vectorial
  • chunk_size: Tamaño de fragmento del documento (en caracteres)
  • search_top_k: Número de resultados de búsqueda a devolver
  • compute.device: Dispositivo de cómputo (auto, cpu, gpu)
  • compute.fallback_to_cpu: Recurrir a CPU si la GPU no está disponible
  • model.name: Nombre del modelo de incrustación
  • model.dimensions: Dimensiones del vector

Opciones de línea de comandos

  • --config <path>: Especifica la ruta de un archivo de configuración personalizado (predeterminado: config.json)

Ejemplo de uso:

devrag --config /path/to/custom-config.json

Esto es útil para:

  • Ejecutar múltiples instancias con diferentes configuraciones
  • Probar diferentes modelos o tamaños de fragmento
  • Separar configuraciones de desarrollo/pruebas/producción

Ejemplos de patrones

{
  "document_patterns": [
    "./documents",                    // documents/内の全.mdファイル
    "./notes/**/*.md",                // notes/内を再帰的に検索
    "./projects/*/docs/*.md",         // 各プロジェクトのdocs/
    "/path/to/external/docs"          // 絶対パス
  ]
}

Herramientas MCP

Se proporcionan las siguientes herramientas a través del Model Context Protocol:

search

Ejecuta búsqueda vectorial semántica con función de filtro

Parámetros:

  • query (string, obligatorio): Consulta de búsqueda en lenguaje natural
  • top_k (number, opcional): Número máximo de resultados (predeterminado: 5)
  • directory (string, opcional): Filtrar a un directorio específico (por ejemplo, "docs/api")
  • file_pattern (string, opcional): Patrón glob para el nombre de archivo (por ejemplo, "api-.md", ".md")

Devuelve: Matriz de resultados de búsqueda con nombre de archivo, contenido del fragmento y puntuación de similitud

Ejemplo de uso:

// 基本検索
search(query: "JWT認証")

// docs/apiディレクトリ内のみ検索
search(query: "ユーザーエンドポイント", directory: "docs/api")

// パターンに一致するファイルのみ検索
search(query: "デプロイ", file_pattern: "guide-*.md")

// フィルターの組み合わせ
search(query: "認証", directory: "docs/api", file_pattern: "auth*.md")

index_markdown

Indexa un archivo Markdown

Parámetros:

  • filepath (string): Ruta del archivo a indexar

list_documents

Obtiene la lista de documentos indexados

Devuelve: Lista de documentos con nombres de archivo y marcas de tiempo

delete_document

Elimina un documento del índice

Parámetros:

  • filepath (string): Ruta del archivo a eliminar

reindex_document

Reindexa un documento

Parámetros:

  • filepath (string): Ruta del archivo a reindexar

Cómo usar la CLI

DevRag también se puede usar como herramienta CLI independiente. Todas las herramientas MCP están disponibles como comandos CLI.

# MCPサーバーを起動（デフォルト）
devrag
devrag serve

# ドキュメントを検索
devrag search "JWT認証"
devrag search "デプロイ" --top-k 10 --directory docs/api

# ファイルをインデックス化
devrag index ./docs/api-spec.md
devrag index-code --directory ./src

# インデックス済みドキュメント一覧
devrag list
devrag list --fields filename

# 削除 / 再インデックス
devrag delete ./docs/old-spec.md --dry-run
devrag reindex ./docs/updated-spec.md

# コードシンボル関係検索
devrag search-relations handleAuth --type calls

# 辞書ビルド（日本語→英語マッピング）
devrag build-dictionary

# CLIスキーマ表示（機械可読）
devrag schema

Formato de salida

Todos los comandos generan JSON de forma predeterminada. Con --output text se obtiene un formato legible por humanos.

# JSON（デフォルト、スクリプトやAIエージェント向け）
devrag search "認証"

# テキスト（人間向け）
devrag search "認証" --output text

Compatibilidad con nombres de herramientas MCP

Los comandos CLI también funcionan con nombres de herramientas MCP en formato de guiones bajos:

devrag index_markdown ./docs/api.md    # devrag index と同じ
devrag list_documents                  # devrag list と同じ
devrag delete_document ./docs/old.md   # devrag delete と同じ
devrag reindex_document ./docs/api.md  # devrag reindex と同じ

Sintaxis de banderas

Las banderas deben colocarse antes de los argumentos posicionales:

# 正しい
devrag delete --dry-run file.md

# 誤り（--dry-runが無視される）
devrag delete file.md --dry-run

Desarrollo en equipo

Ideal para equipos con grandes cantidades de documentación:

  1. Gestiona documentos con Git: Flujo de trabajo normal de Git
  2. Cada desarrollador inicia DevRag: Configuración local en cada máquina
  3. Busca con Claude Code: Todos pueden buscar en todos los documentos
  4. Sincronización automática: git pull actualiza automáticamente el índice

Configura para el directorio de documentos de tu proyecto:

{
  "document_patterns": [
    "./docs",
    "./api-docs/**/*.md",
    "./wiki/**/*.md"
  ],
  "db_path": "./.devrag/vectors.db"
}

Rendimiento

Entorno: MacBook Pro M2, 100 archivos (1 MB en total)

OperaciónTiempoTokens
Inicio2,3 s-
Indexación8,5 s-
Búsqueda (1 consulta)95 ms~300
Lectura tradicional25 s~12 000

La búsqueda es 260 veces más rápida y los tokens se reducen a 1/40

Desarrollo

Ejecutar pruebas

# すべてのテスト
go test ./...

# 特定のパッケージ
go test ./internal/config -v
go test ./internal/indexer -v
go test ./internal/embedder -v
go test ./internal/vectordb -v

# 統合テスト
go test . -v -run TestEndToEnd

Compilar

# ビルドスクリプト使用
./build.sh

# 直接ビルド
go build -o devrag cmd/main.go

# クロスプラットフォームリリースビルド
./scripts/build-release.sh

Crear una versión

# バージョンタグを作成
git tag v1.0.1

# タグをプッシュ
git push origin v1.0.1

GitHub Actions automáticamente:

  1. Compila para todas las plataformas
  2. Crea un Release de GitHub
  3. Sube los binarios
  4. Genera checksums

Estructura del proyecto

devrag/
├── cmd/
│   └── main.go              # エントリーポイント
├── internal/
│   ├── cli/                 # CLIコマンド
│   ├── config/              # 設定管理
│   ├── embedder/            # ベクトル埋め込み
│   ├── indexer/             # インデックス処理
│   ├── mcp/                 # MCPサーバー
│   └── vectordb/            # ベクトルDB
├── models/                  # ONNXモデル
├── build.sh                 # ビルドスクリプト
└── integration_test.go      # 統合テスト

Solución de problemas

Fallo en la descarga del modelo

Causa: Problemas de conexión a Internet o con los servidores de Hugging Face

Solución:

  1. Verifica la conexión a Internet
  2. Si estás en un entorno con proxy: 
    export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port
  3. Descarga manual (consulta models/DOWNLOAD.md)
  4. Reintenta (los archivos incompletos se eliminan automáticamente)

GPU / CoreML no funciona

En macOS se utiliza la aceleración por GPU/Neural Engine mediante Apple CoreML. Condiciones:

  • libonnxruntime.dylib debe estar en el mismo directorio que el binario devrag
  • La versión de macOS en GitHub incluye este archivo

Si CoreML no está disponible, se recurre automáticamente a la CPU. Ajuste de rendimiento:

# CPUスレッド数の変更（デフォルト: 4）
DEVRAG_THREADS=4 devrag

Para especificar explícitamente el modo CPU:

{
  "compute": {
    "device": "cpu",
    "fallback_to_cpu": true
  }
}

No se inicia

  • Verifica que Go 1.21+ esté instalado (si compilas desde el código fuente)
  • Verifica que CGO esté habilitado: go env CGO_ENABLED
  • Verifica que las dependencias estén instaladas
  • La primera ejecución requiere conexión a Internet (descarga del modelo)

Los resultados de búsqueda no son los esperados

  • Ajusta chunk_size (predeterminado: 500)
  • Reconstruye el índice (elimina vectors.db y reinicia)

Uso elevado de memoria

  • En modo GPU, el modelo se carga en la VRAM
  • Cambiar al modo CPU reduce el uso de memoria

Requisitos

  • Go 1.21+ (si compilas desde el código fuente)
  • CGO habilitado (para sqlite-vec)
  • macOS, Linux o Windows

Licencia

Licencia MIT

Créditos

Contribuciones

¡Se aceptan Issues y Pull Requests!

Contribuyentes

Agradecemos a todos los que han contribuido a mejorar DevRag:

  • @badri - Soporte para múltiples rutas de documentos y patrones glob (#2), flag CLI --config (#3)
  • @io41 - Limpieza del proyecto y mejoras en la documentación (#4)

¡Sus contribuciones hacen que DevRag sea mejor!

Autor

towada