基于 RAG 语义相似度排名的本地网页搜索技能，无需外部 API 即可通过 DuckDuckGo、Google 等多引擎获取智能搜索结果
说明：
## 核心用法
Local RAG Search 是一套无需外部 API 即可实现智能网页搜索的 MCP 技能，通过本地 RAG（检索增强生成）语义相似度排名机制，从 DuckDuckGo、Google、Bing、Brave、Wikipedia 等多个搜索引擎获取并智能排序结果。
该技能提供 5 个核心工具：`rag_search_ddgs`（隐私优先的 DuckDuckGo 搜索）、`rag_search_google`（技术/深度搜索）、`deep_research`（多引擎综合研究）、以及两个单引擎快捷版本。支持自然语言查询、参数调优（`num_results`/`top_k`）、多后端组合，适用于快速问答、技术调研、多视角研究等场景。
## 显著优点
1. **零 API 成本**：完全本地化运行，无需申请或付费任何搜索引擎 API
2. **隐私可控**：DuckDuckGo/Brave 等引擎不追踪用户，Google 提供最全覆盖
3. **语义智能排序**：基于 RAG 的相似度评分，优先返回与查询语义最相关的结果
4. **多引擎聚合**：`deep_research` 支持最多 9 种后端组合，避免单一引擎偏见
5. **灵活参数**：可精细控制召回量（`num_results`）和最终输出量（`top_k`）
## 潜在局限
– 首次搜索需加载模型，存在冷启动延迟
– 多后端并发会显著降低响应速度
– 依赖搜索引擎本身的质量，无法访问付费墙内容
– 本地 RAG 评分可能与商业语义模型存在差异
## 适合人群
– 需要高频网页检索但不愿承担 API 费用的开发者
– 对搜索隐私敏感的研究人员和个人用户
– 需要多源信息交叉验证的内容创作者
– 构建本地知识工作流的技术团队
## 常规风险
– 搜索结果时效性取决于引擎索引，可能非实时
– 需自行验证关键事实，避免单一信源依赖
– Google 后端存在搜索行为追踪风险
– 模型缓存可能占用本地计算资源
会员专属
