DevRag

Free Local RAG for Claude Code - Save Tokens & Time

日本語版はこちら | Japanese Version

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"
    }
  }
}

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:

{
  "documents_dir": "./documents",
  "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

• documents_dir: Directory containing markdown files
• 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

MCP Tools

DevRag provides the following tools via Model Context Protocol:

search

Perform semantic vector search

Parameters:

• query (string): Search query

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

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:

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

Configure for your project's docs directory:

{
  "documents_dir": "./docs",
  "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:

1. Builds for all platforms
2. Creates GitHub Release
3. Uploads binaries
4. 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:

1. Check internet connection
2. For proxy environments:

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

3. Manual download (see models/DOWNLOAD.md)
4. 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!

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"
    }
  }
}

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：

{
  "documents_dir": "./documents",
  "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

• documents_dir: マークダウンファイルを配置するディレクトリ
• 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

MCPツール

Model Context Protocolを通じて以下のツールを提供：

search

意味ベクトル検索を実行

パラメータ:

• query (string): 検索クエリ

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

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：

1. Gitでドキュメント管理: 通常のGitワークフロー
2. 各開発者がDevRagを起動: 各マシンでローカルセットアップ
3. Claude Codeで検索: 全員が全ドキュメントを検索可能
4. 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：

{
  "documents_dir": "./docs",
  "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：

1. 全プラットフォーム向けにビルド
2. GitHub Releaseを作成
3. バイナリをアップロード
4. 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:

1. インターネット接続を確認
2. プロキシ環境の場合：

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

3. 手動ダウンロード（models/DOWNLOAD.md参照）
4. 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！

作者

towada