DevRag

Free Local RAG for Claude Code - Save Tokens & Time

DevRag is a lightweight RAG (Retrieval-Augmented Generation) system designed specifically for developers using Claude Code. Stop wasting tokens by reading entire documents - let vector search find exactly what you need.

Why DevRag?

When using Claude Code, reading documents with the Read tool consumes massive amounts of tokens:

❌ Wasting Context: Reading entire docs every time (3,000+ tokens per file)
❌ Poor Searchability: Claude doesn't know which file contains what
❌ Repetitive: Same documents read multiple times across sessions

With DevRag:

✅ 40x Less Tokens: Vector search retrieves only relevant chunks (~200 tokens)
✅ 15x Faster: Search in 100ms vs 30 seconds of reading
✅ Auto-Discovery: Claude Code finds documents without knowing file names

Features

🤖 Simple RAG - Retrieval-Augmented Generation for Claude Code
📝 Markdown Support - Auto-indexes .md files
🔍 Semantic Search - Natural language queries like "JWT authentication method"
🚀 Single Binary - No Python, models auto-download on first run
🖥️ Cross-Platform - macOS / Linux / Windows
⚡ Fast - Auto GPU/CPU detection, incremental sync
🌐 Multilingual - Supports 100+ languages including Japanese & English

Quick Start

1. Download Binary

Get the appropriate binary from Releases:

Platform	File
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/devrag

Windows:

Extract the zip file
Place in your preferred location (e.g., C:\Program Files\devrag\)

2. Configure Claude Code

Add to ~/.claude.json or .mcp.json:

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

Using a custom config file:

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

3. Add Your Documents

mkdir documents
cp your-notes.md documents/

That's it! Documents are automatically indexed on startup.

4. Search with Claude Code

In Claude Code:

"Search for JWT authentication methods"

Configuration

Create 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
  }
}

Configuration Options

document_patterns: Array of document paths and glob patterns
- Supports directory paths: "./documents"
- Supports glob patterns: "./docs/**/*.md" (recursive)
- Multiple patterns: Index files from different locations
- Note: Old documents_dir field is still supported (automatically migrated)
db_path: Vector database file path
chunk_size: Document chunk size in characters
search_top_k: Number of search results to return
compute.device: Compute device (auto, cpu, gpu)
compute.fallback_to_cpu: Fallback to CPU if GPU unavailable
model.name: Embedding model name
model.dimensions: Vector dimensions

Command-Line Options

--config <path>: Specify a custom configuration file path (default: config.json)

Example:

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

This is useful for:

Running multiple instances with different configurations
Testing different models or chunk sizes
Maintaining separate dev/test/prod configurations

Pattern Examples

{
  "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
  ]
}

MCP Tools

DevRag provides the following tools via Model Context Protocol:

search

Perform semantic vector search with optional filtering

Parameters:

query (string, required): Search query in natural language
top_k (number, optional): Maximum number of results (default: 5)
directory (string, optional): Filter to specific directory (e.g., "docs/api")
file_pattern (string, optional): Glob pattern for filename (e.g., "api-.md", ".md")

Returns: Array of search results with filename, chunk content, and similarity score

Examples:

// 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

Index a markdown file

Parameters:

filepath (string): Path to the file to index

list_documents

List all indexed documents

Returns: Document list with filenames and timestamps

delete_document

Remove a document from the index

Parameters:

filepath (string): Path to the file to delete

reindex_document

Re-index a document

Parameters:

filepath (string): Path to the file to re-index

Team Development

Perfect for teams with large documentation repositories:

Manage docs in Git: Normal Git workflow
Each developer runs DevRag: Local setup on each machine
Search via Claude Code: Everyone can search all docs
Auto-sync: git pull automatically updates the index

Configure for your project's docs directory:

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

Performance

Environment: MacBook Pro M2, 100 files (1MB total)

Operation	Time	Tokens
Startup	2.3s	-
Indexing	8.5s	-
Search (1 query)	95ms	~300
Traditional Read	25s	~12,000

260x faster search, 40x fewer tokens

Development

Run Tests

# 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

Build

# Using build script
./build.sh

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

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

Creating a Release

# Create version tag
git tag v1.0.1

# Push tag
git push origin v1.0.1

GitHub Actions automatically:

Builds for all platforms
Creates GitHub Release
Uploads binaries
Generates checksums

Project Structure

devrag/
├── cmd/
│   └── main.go              # Entry point
├── internal/
│   ├── 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

Troubleshooting

Model Download Fails

Cause: Internet connection or Hugging Face server issues

Solutions:

Check internet connection

For proxy environments:

export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port

Manual download (see models/DOWNLOAD.md)
Retry (incomplete files are auto-removed)

GPU Not Detected

Explicitly set CPU in config.json:

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

Won't Start

Ensure Go 1.21+ is installed (for building)
Check CGO is enabled: go env CGO_ENABLED
Verify dependencies are installed
Internet required for first run (model download)

Unexpected Search Results

Adjust chunk_size (default: 500)
Rebuild index (delete vectors.db and restart)

High Memory Usage

GPU mode loads model into VRAM
Switch to CPU mode for lower memory usage

Requirements

Go 1.21+ (for building from source)
CGO enabled (for sqlite-vec)
macOS, Linux, or Windows

License

MIT License

Credits

Embedding Model: intfloat/multilingual-e5-small
Vector Database: sqlite-vec
MCP Protocol: Model Context Protocol
ONNX Runtime: onnxruntime-go

Contributing

Issues and Pull Requests are welcome!

Contributors

Special thanks to all contributors who helped improve DevRag:

@badri - Multiple document paths with glob patterns (#2), --config CLI flag (#3)
@io41 - Project cleanup and documentation improvements (#4)

Your contributions make DevRag better for everyone!

Author

towada

日本語版

Claude Code用の無料ローカルRAG - トークン＆時間を節約

DevRagは、Claude Codeを使う開発者のための軽量RAG（Retrieval-Augmented Generation）システムです。ドキュメント全体を読み込んでトークンを無駄にするのをやめて、ベクトル検索で必要な情報だけを取得しましょう。

なぜDevRagが必要か？

Claude Codeでドキュメントを読み込むと、大量のトークンを消費します：

❌ コンテキストの浪費: 毎回ドキュメント全体を読み込み（1ファイル3,000トークン以上）
❌ 検索性の欠如: Claudeはどのファイルに何が書いてあるか知らない
❌ 繰り返し: セッションをまたいで同じドキュメントを何度も読む

DevRagを使えば:

✅ トークン消費1/40: ベクトル検索で必要な部分だけ取得（約200トークン）
✅ 15倍高速: 検索100ms vs 読み込み30秒
✅ 自動発見: ファイル名を知らなくてもClaude Codeが見つける

特徴

🤖 簡易RAG - Claude Code用の検索拡張生成
📝 マークダウン対応 - .mdファイルを自動インデックス化
🔍 意味検索 - 「JWTの認証方法」のような自然言語クエリ
🚀 ワンバイナリー - Python不要、モデルは初回起動時に自動ダウンロード
🖥️ クロスプラットフォーム - macOS / Linux / Windows
⚡ 高速 - GPU/CPU自動検出、差分同期
🌐 多言語 - 日本語・英語を含む100以上の言語対応

クイックスタート

1. バイナリダウンロード

Releasesから環境に合ったファイルをダウンロード：

プラットフォーム	ファイル
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/devrag

Windows:

zipファイルを解凍
任意の場所に配置（例: C:\Program Files\devrag\）

2. Claude Code設定

~/.claude.json または .mcp.json に追加：

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

カスタム設定ファイルを使用する場合:

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

3. ドキュメントを配置

mkdir documents
cp your-notes.md documents/

これで完了！起動時に自動的にインデックス化されます。

4. Claude Codeで検索

Claude Codeで：

「JWTの認証方法について検索して」

設定

config.jsonを作成：

{
  "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
  }
}

設定項目

document_patterns: ドキュメントのパスとglobパターンの配列
- ディレクトリパス対応: "./documents"
- globパターン対応: "./docs/**/*.md" (再帰的)
- 複数パターン: 異なる場所からファイルをインデックス化
- 注意: 旧形式のdocuments_dirもサポート（自動的に移行）
db_path: ベクトルデータベースのパス
chunk_size: ドキュメントのチャンクサイズ（文字数）
search_top_k: 検索結果の返却件数
compute.device: 計算デバイス（auto, cpu, gpu）
compute.fallback_to_cpu: GPU利用不可時にCPUにフォールバック
model.name: 埋め込みモデル名
model.dimensions: ベクトル次元数

コマンドラインオプション

--config <path>: カスタム設定ファイルのパスを指定（デフォルト: config.json）

使用例:

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

これは以下の用途で便利です：

異なる設定で複数のインスタンスを実行
異なるモデルやチャンクサイズをテスト
開発/テスト/本番環境の設定を分離

パターン例

{
  "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
  ]
}

MCPツール

Model Context Protocolを通じて以下のツールを提供：

search

フィルター機能付き意味ベクトル検索を実行

パラメータ:

query (string, 必須): 自然言語の検索クエリ
top_k (number, 任意): 最大結果数（デフォルト: 5）
directory (string, 任意): 特定ディレクトリに絞り込み（例: "docs/api"）
file_pattern (string, 任意): ファイル名のglobパターン（例: "api-.md", ".md"）

戻り値: ファイル名、チャンク内容、類似度スコアを含む検索結果の配列

使用例:

// 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

マークダウンファイルをインデックス化

パラメータ:

filepath (string): インデックス化するファイルのパス

list_documents

インデックス化されたドキュメントの一覧を取得

戻り値: ファイル名とタイムスタンプを含むドキュメントリスト

delete_document

ドキュメントをインデックスから削除

パラメータ:

filepath (string): 削除するファイルのパス

reindex_document

ドキュメントを再インデックス化

パラメータ:

filepath (string): 再インデックス化するファイルのパス

チーム開発

大量のドキュメントがあるチームに最適：

Gitでドキュメント管理: 通常のGitワークフロー
各開発者がDevRagを起動: 各マシンでローカルセットアップ
Claude Codeで検索: 全員が全ドキュメントを検索可能
自動同期: git pullでインデックスを自動更新

プロジェクトのdocsディレクトリ用に設定：

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

パフォーマンス

環境: MacBook Pro M2, 100ファイル (合計1MB)

操作	時間	トークン
起動	2.3秒	-
インデックス化	8.5秒	-
検索 (1クエリ)	95ms	~300
従来のRead	25秒	~12,000

検索は260倍速、トークンは40分の1

開発

テスト実行

# 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

ビルド

# 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

リリース作成

# 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が自動的に：

全プラットフォーム向けにビルド
GitHub Releaseを作成
バイナリをアップロード
チェックサムを生成

プロジェクト構造

devrag/
├── cmd/
│   └── main.go              # エントリーポイント
├── internal/
│   ├── 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

トラブルシューティング

モデルのダウンロードに失敗

原因: インターネット接続またはHugging Faceサーバーの問題

解決方法:

インターネット接続を確認

プロキシ環境の場合：

export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port

手動ダウンロード（models/DOWNLOAD.md参照）
再試行（不完全なファイルは自動削除）

GPUが検出されない

config.jsonで明示的にCPUを指定：

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

起動しない

Go 1.21+がインストールされているか確認（ソースからビルドする場合）
CGOが有効か確認: go env CGO_ENABLED
依存関係がインストールされているか確認
初回起動時はインターネット接続が必要（モデルダウンロード）

検索結果が期待と異なる

chunk_sizeを調整（デフォルト: 500）
インデックスを再構築（vectors.dbを削除して再起動）

メモリ使用量が多い

GPUモードではモデルがVRAMにロード
CPUモードに切り替えるとメモリ使用量が減少

必要要件

Go 1.21+（ソースからビルドする場合）
CGO有効（sqlite-vecのため）
macOS, Linux, または Windows

ライセンス

MIT License

クレジット

埋め込みモデル: intfloat/multilingual-e5-small
ベクトルデータベース: sqlite-vec
MCPプロトコル: Model Context Protocol
ONNX Runtime: onnxruntime-go

コントリビューション

IssuesとPull Requestsを歓迎します！

コントリビューター

DevRagの改善に貢献してくださった皆様に感謝します：

@badri - 複数ドキュメントパスとglobパターン対応 (#2)、--config CLIフラグ (#3)
@io41 - プロジェクトのクリーンアップとドキュメント改善 (#4)

皆様の貢献がDevRagをより良くしています！

作者

towada

DevRag

DevRag

Why DevRag?

Features

Quick Start

1. Download Binary

2. Configure Claude Code

3. Add Your Documents

4. Search with Claude Code

Configuration

Configuration Options

Command-Line Options

Pattern Examples

MCP Tools

search

index_markdown

list_documents

delete_document

reindex_document

Team Development

Performance

Development

Run Tests

Build

Creating a Release

Project Structure

Troubleshooting

Model Download Fails

GPU Not Detected

Won't Start

Unexpected Search Results

High Memory Usage

Requirements

License

Credits

Contributing

Contributors

Author

日本語版

なぜDevRagが必要か？

特徴

クイックスタート

1. バイナリダウンロード

2. Claude Code設定

3. ドキュメントを配置

4. Claude Codeで検索

設定

設定項目

コマンドラインオプション

パターン例

MCPツール

search

index_markdown

list_documents

delete_document

reindex_document

チーム開発

パフォーマンス

開発

テスト実行

ビルド

リリース作成

プロジェクト構造

トラブルシューティング

モデルのダウンロードに失敗

GPUが検出されない

起動しない

検索結果が期待と異なる

メモリ使用量が多い

必要要件

ライセンス

クレジット

コントリビューション

コントリビューター

作者

Related Servers

Product Hunt

IP2Location.io

microCMS

Rememberizer Common Knowledge