DevRag

RAG local gratuito para Claude Code - Economize tokens e tempo com busca vetorial. Indexa documentos markdown e encontra informações relevantes sem ler arquivos inteiros (40x menos tokens, 15x mais rápido).

GitHub
64
Experimente este MCPPatrocinado

Documentação

DevRag

RAG Local Gratuito para Claude Code - Economize Tokens e Tempo

Versão em japonês aqui | Versão em japonês

DevRag é um sistema RAG (Geração Aumentada por Recuperação) leve, projetado especificamente para desenvolvedores que usam Claude Code. Pare de desperdiçar tokens lendo documentos inteiros - deixe a busca vetorial encontrar exatamente o que você precisa.

Por que DevRag?

Ao usar o Claude Code, ler documentos com a ferramenta Read consome grandes quantidades de tokens:

  • ❌ Desperdício de Contexto: Ler documentos inteiros toda vez (3.000+ tokens por arquivo)
  • ❌ Baixa Capacidade de Busca: Claude não sabe qual arquivo contém o quê
  • ❌ Repetitivo: Os mesmos documentos são lidos várias vezes entre sessões

Com DevRag:

  • ✅ 40x Menos Tokens: A busca vetorial recupera apenas trechos relevantes (~200 tokens)
  • ✅ 15x Mais Rápido: Busca em 100ms vs 30 segundos de leitura
  • ✅ Descoberta Automática: Claude Code encontra documentos sem saber os nomes dos arquivos

Recursos

  • 🤖 RAG Simples - Geração Aumentada por Recuperação para Claude Code
  • 📝 Suporte a Markdown - Indexa automaticamente arquivos .md
  • 🔍 Busca Semântica - Consultas em linguagem natural como "método de autenticação JWT"
  • 🚀 Binário Único - Sem Python, modelos baixados automaticamente na primeira execução
  • 💻 CLI e MCP - Use como servidor MCP ou comandos CLI independentes
  • 🖥️ Multiplataforma - macOS / Linux / Windows
  • ⚡ Rápido - Detecção automática de GPU/CPU, sincronização incremental
  • 🌐 Multilíngue - Suporta mais de 100 idiomas, incluindo japonês e inglês

Início Rápido

1. Baixar o Binário

Baixe o binário apropriado em Releases:

PlataformaArquivo
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: As versões para macOS incluem libonnxruntime.dylib para aceleração de GPU CoreML. Mantenha-o no mesmo diretório do binário devrag.

Windows:

  • Extraia o arquivo zip
  • Coloque no local de sua preferência (ex.: C:\Program Files\devrag\)

2. Configurar o Claude Code

Adicione a ~/.claude.json ou .mcp.json:

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

Usando um arquivo de configuração personalizado:

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

3. Adicionar Seus Documentos

mkdir documents
cp your-notes.md documents/

Pronto! Os documentos são indexados automaticamente na inicialização.

4. Buscar com o Claude Code

No Claude Code:

"Search for JWT authentication methods"

Configuração

Crie 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
  }
}

Opções de Configuração

  • document_patterns: Matriz de caminhos de documentos e padrões glob
    • Suporta caminhos de diretório: "./documents"
    • Suporta padrões glob: "./docs/**/*.md" (recursivo)
    • Múltiplos padrões: Indexa arquivos de diferentes locais
    • Nota: O campo antigo documents_dir ainda é suportado (migrado automaticamente)
  • db_path: Caminho do arquivo do banco de dados vetorial
  • chunk_size: Tamanho do trecho do documento em caracteres
  • search_top_k: Número de resultados de busca a retornar
  • compute.device: Dispositivo de computação (auto, cpu, gpu)
  • compute.fallback_to_cpu: Usar CPU como alternativa se a GPU não estiver disponível
  • model.name: Nome do modelo de incorporação (embedding)
  • model.dimensions: Dimensões do vetor

Opções de Linha de Comando

  • --config <path>: Especifique um caminho personalizado para o arquivo de configuração (padrão: config.json)

Exemplo:

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

Isso é útil para:

  • Executar várias instâncias com configurações diferentes
  • Testar diferentes modelos ou tamanhos de trecho
  • Manter configurações separadas de dev/teste/produção

Exemplos de Padrões

{
  "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
  ]
}

Ferramentas MCP

DevRag fornece as seguintes ferramentas via Model Context Protocol:

search

Realiza busca vetorial semântica com filtragem opcional

Parâmetros:

  • query (string, obrigatório): Consulta de busca em linguagem natural
  • top_k (número, opcional): Número máximo de resultados (padrão: 5)
  • directory (string, opcional): Filtrar para um diretório específico (ex.: "docs/api")
  • file_pattern (string, opcional): Padrão glob para nome de arquivo (ex.: "api-.md", ".md")

Retorna: Matriz de resultados de busca com nome do arquivo, conteúdo do trecho e pontuação de similaridade

Exemplos:

// 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 um arquivo markdown

Parâmetros:

  • filepath (string): Caminho do arquivo a ser indexado

list_documents

Lista todos os documentos indexados

Retorna: Lista de documentos com nomes de arquivo e carimbos de data/hora

delete_document

Remove um documento do índice

Parâmetros:

  • filepath (string): Caminho do arquivo a ser excluído

reindex_document

Reindexa um documento

Parâmetros:

  • filepath (string): Caminho do arquivo a ser reindexado

Uso da CLI

DevRag também pode ser usado como uma ferramenta CLI independente. Todas as ferramentas MCP estão disponíveis 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 Saída

Todos os comandos geram JSON por padrão. Use --output text para saída legível por humanos.

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

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

Compatibilidade com Nomes de Ferramentas MCP

Os comandos CLI também aceitam nomes de ferramentas MCP com sublinhados:

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

Sintaxe de Flags

As flags devem ser colocadas antes dos argumentos posicionais:

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

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

Desenvolvimento em Equipe

Perfeito para equipes com grandes repositórios de documentação:

  1. Gerencie documentos no Git: Fluxo de trabalho Git normal
  2. Cada desenvolvedor executa o DevRag: Configuração local em cada máquina
  3. Busque via Claude Code: Todos podem buscar em todos os documentos
  4. Sincronização automática: git pull atualiza o índice automaticamente

Configure para o diretório de documentos do seu projeto:

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

Desempenho

Ambiente: MacBook Pro M2, 100 arquivos (1MB no total)

OperaçãoTempoTokens
Inicialização2.3s-
Indexação8.5s-
Busca (1 consulta)95ms~300
Leitura tradicional25s~12.000

Busca 260x mais rápida, 40x menos tokens

Desenvolvimento

Executar Testes

# 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

Criando um Release

# Create version tag
git tag v1.0.1

# Push tag
git push origin v1.0.1

O GitHub Actions automaticamente:

  1. Compila para todas as plataformas
  2. Cria o GitHub Release
  3. Envia os binários
  4. Gera checksums

Estrutura do Projeto

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

Solução de Problemas

Falha no Download do Modelo

Causa: Problemas de conexão com a internet ou com o servidor do Hugging Face

Soluções:

  1. Verifique a conexão com a internet
  2. Para ambientes com proxy: 
    export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port
  3. Download manual (veja models/DOWNLOAD.md)
  4. Tente novamente (arquivos incompletos são removidos automaticamente)

GPU / CoreML Não Funcionando

No macOS, o DevRag usa o Apple CoreML para aceleração de GPU/Neural Engine. Requisitos:

  • libonnxruntime.dylib deve estar no mesmo diretório do binário devrag
  • As versões para macOS do GitHub incluem este arquivo automaticamente

Se o CoreML não estiver disponível, o DevRag usa a CPU automaticamente. Para ajustar o desempenho:

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

Para forçar explicitamente o modo CPU:

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

Não Inicia

  • Certifique-se de que o Go 1.21+ esteja instalado (para compilar)
  • Verifique se o CGO está habilitado: go env CGO_ENABLED
  • Verifique se as dependências estão instaladas
  • Internet necessária para a primeira execução (download do modelo)

Resultados de Busca Inesperados

  • Ajuste chunk_size (padrão: 500)
  • Reconstrua o índice (exclua vectors.db e reinicie)

Alto Uso de Memória

  • O modo GPU carrega o modelo na VRAM
  • Mude para o modo CPU para menor uso de memória

Requisitos

  • Go 1.21+ (para compilar a partir do código-fonte)
  • CGO habilitado (para sqlite-vec)
  • macOS, Linux ou Windows

Licença

Licença MIT

Créditos

Contribuindo

Issues e Pull Requests são bem-vindos!

Contribuidores

Agradecimentos especiais a todos os contribuidores que ajudaram a melhorar o DevRag:

  • @badri - Múltiplos caminhos de documentos com padrões glob (#2), flag CLI --config (#3)
  • @io41 - Limpeza do projeto e melhorias na documentação (#4)

Suas contribuições tornam o DevRag melhor para todos!

Autor

towada

Versão em Japonês

RAG Local Gratuito para Claude Code - Economize Tokens e Tempo

DevRag é um sistema RAG (Geração Aumentada por Recuperação) leve para desenvolvedores que usam Claude Code. Pare de desperdiçar tokens lendo documentos inteiros e obtenha apenas as informações necessárias com a busca vetorial.

Por que o DevRag é necessário?

Ao carregar documentos no Claude Code, uma grande quantidade de tokens é consumida:

  • ❌ Desperdício de contexto: Carrega o documento inteiro toda vez (mais de 3.000 tokens por arquivo)
  • ❌ Falta de capacidade de busca: Claude não sabe o que está escrito em cada arquivo
  • ❌ Repetição: Lê os mesmos documentos várias vezes entre sessões

Com o DevRag:

  • ✅ Consumo de tokens 1/40: Obtém apenas as partes necessárias com a busca vetorial (cerca de 200 tokens)
  • ✅ 15x mais rápido: Busca em 100ms vs 30 segundos de leitura
  • ✅ Descoberta automática: Claude Code encontra mesmo sem saber o nome do arquivo

Recursos

  • 🤖 RAG simples - Geração aumentada por recuperação para Claude Code
  • 📝 Suporte a Markdown - Indexa automaticamente arquivos .md
  • 🔍 Busca semântica - Consultas em linguagem natural como "método de autenticação JWT"
  • 🚀 Binário único - Sem necessidade de Python, modelos baixados automaticamente na primeira execução
  • 💻 CLI e MCP - Pode ser usado como servidor MCP ou como comandos CLI
  • 🖥️ Multiplataforma - macOS / Linux / Windows
  • ⚡ Rápido - Detecção automática de GPU/CPU, sincronização incremental
  • 🌐 Multilíngue - Suporta mais de 100 idiomas, incluindo japonês e inglês

Início Rápido

1. Baixar o Binário

Baixe o arquivo adequado ao seu ambiente em Releases:

PlataformaArquivo
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: As versões para macOS incluem libonnxruntime.dylib para aceleração de GPU CoreML. Coloque-o no mesmo diretório do binário devrag.

Windows:

  • Extraia o arquivo zip
  • Coloque em qualquer local (ex.: C:\Program Files\devrag\)

2. Configuração do Claude Code

Adicione a ~/.claude.json ou .mcp.json:

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

Ao usar um arquivo de configuração personalizado:

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

3. Colocar os Documentos

mkdir documents
cp your-notes.md documents/

Pronto! Os documentos são indexados automaticamente na inicialização.

4. Buscar com o Claude Code

No Claude Code:

「JWTの認証方法について検索して」

Configuração

Crie 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
  }
}

Opções de Configuração

  • document_patterns: Matriz de caminhos de documentos e padrões glob
    • Suporta caminhos de diretório: "./documents"
    • Suporta padrões glob: "./docs/**/*.md" (recursivo)
    • Múltiplos padrões: Indexa arquivos de diferentes locais
    • Nota: O formato antigo documents_dir também é suportado (migrado automaticamente)
  • db_path: Caminho do banco de dados vetorial
  • chunk_size: Tamanho do trecho do documento (em caracteres)
  • search_top_k: Número de resultados de busca a retornar
  • compute.device: Dispositivo de computação (auto, cpu, gpu)
  • compute.fallback_to_cpu: Usar CPU como alternativa quando a GPU não estiver disponível
  • model.name: Nome do modelo de incorporação (embedding)
  • model.dimensions: Dimensões do vetor

Opções de Linha de Comando

  • --config <path>: Especifique o caminho do arquivo de configuração personalizado (padrão: config.json)

Exemplo de uso:

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

Isso é útil para:

  • Executar várias instâncias com configurações diferentes
  • Testar diferentes modelos ou tamanhos de trecho
  • Separar configurações de desenvolvimento/teste/produção

Exemplos de Padrões

{
  "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
  ]
}

Ferramentas MCP

Fornece as seguintes ferramentas via Model Context Protocol:

search

Realiza busca vetorial semântica com filtragem

Parâmetros:

  • query (string, obrigatório): Consulta de busca em linguagem natural
  • top_k (número, opcional): Número máximo de resultados (padrão: 5)
  • directory (string, opcional): Filtrar para um diretório específico (ex.: "docs/api")
  • file_pattern (string, opcional): Padrão glob para nome de arquivo (ex.: "api-.md", ".md")

Retorna: Matriz de resultados de busca com nome do arquivo, conteúdo do trecho e pontuação de similaridade

Exemplos 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 um arquivo markdown

Parâmetros:

  • filepath (string): Caminho do arquivo a ser indexado

list_documents

Obtém a lista de documentos indexados

Retorna: Lista de documentos com nomes de arquivo e carimbos de data/hora

delete_document

Remove um documento do índice

Parâmetros:

  • filepath (string): Caminho do arquivo a ser excluído

reindex_document

Reindexa um documento

Parâmetros:

  • filepath (string): Caminho do arquivo a ser reindexado

Uso da CLI

DevRag também pode ser usado como uma ferramenta CLI independente. Todas as ferramentas MCP estão disponíveis 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 Saída

Todos os comandos geram JSON por padrão. Com --output text, o formato fica legível 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

Compatibilidade com Nomes de Ferramentas MCP

Os comandos CLI também funcionam com nomes de ferramentas MCP no formato com sublinhados:

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

Sintaxe de Flags

As flags devem ser colocadas antes dos argumentos posicionais:

# 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

Desenvolvimento em Equipe

Ideal para equipes com muitos documentos:

  1. Gerencie documentos no Git: Fluxo de trabalho Git normal
  2. Cada desenvolvedor executa o DevRag: Configuração local em cada máquina
  3. Busque com o Claude Code: Todos podem buscar em todos os documentos
  4. Sincronização automática: git pull atualiza o índice automaticamente

Configure para o diretório docs do projeto:

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

Desempenho

Ambiente: MacBook Pro M2, 100 arquivos (1MB no total)

OperaçãoTempoTokens
Inicialização2.3s-
Indexação8.5s-
Busca (1 consulta)95ms~300
Leitura tradicional25s~12.000

Busca 260x mais rápida, tokens 40x menos

Desenvolvimento

Executar Testes

# 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

Criando um Release

# 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

O GitHub Actions automaticamente:

  1. Compila para todas as plataformas
  2. Cria uma Release no GitHub
  3. Envia os binários
  4. Gera checksums

Estrutura do projeto

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

Solução de problemas

Falha no download do modelo

Causa: Problemas de conexão com a internet ou com o servidor do Hugging Face

Solução:

  1. Verifique a conexão com a internet
  2. Em ambiente com proxy: 
    export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port
  3. Download manual (consulte models/DOWNLOAD.md)
  4. Tente novamente (arquivos incompletos são excluídos automaticamente)

GPU / CoreML não funciona

No macOS, a aceleração por GPU/Neural Engine via Apple CoreML é utilizada. Condições:

  • libonnxruntime.dylib deve estar no mesmo diretório que o binário devrag
  • A versão para macOS no GitHub inclui este arquivo

Se o CoreML não estiver disponível, há fallback automático para CPU. Ajuste de desempenho:

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

Para especificar explicitamente o modo CPU:

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

Não inicia

  • Verifique se o Go 1.21+ está instalado (ao compilar a partir do código-fonte)
  • Verifique se o CGO está habilitado: go env CGO_ENABLED
  • Verifique se as dependências estão instaladas
  • Na primeira execução, é necessária conexão com a internet (download do modelo)

Resultados de busca diferentes do esperado

  • Ajuste chunk_size (padrão: 500)
  • Reconstrua o índice (exclua vectors.db e reinicie)

Alto uso de memória

  • No modo GPU, o modelo é carregado na VRAM
  • Alternar para o modo CPU reduz o uso de memória

Requisitos

  • Go 1.21+ (ao compilar a partir do código-fonte)
  • CGO habilitado (para sqlite-vec)
  • macOS, Linux ou Windows

Licença

Licença MIT

Créditos

Contribuições

Issues e Pull Requests são bem-vindos!

Colaboradores

Agradecemos a todos que contribuíram para melhorar o DevRag:

  • @badri - Suporte a múltiplos caminhos de documentos e padrões glob (#2), flag de CLI --config (#3)
  • @io41 - Limpeza do projeto e melhorias na documentação (#4)

Suas contribuições tornam o DevRag melhor!

Autor

towada