用途：面向财务、审计等场景的轻量本地 RAG 知识库，把制度类文档按项目管理并做语义检索，帮助定位条款。
主要能力：切片使用 Chonkie RecursiveChunker 加 15% overlap，中文制度文档按“第X章”、双换行、单换行三级递归切分，目标约 800 字符；向量库为 ChromaDB 持久化存储，每个项目对应一个 collection，项目间文档完全隔离。解析支持 .docx、.doc、.pdf、.md，扫描版 PDF 每页文字少于 50 字符时自动调 MinerU。默认 Embedding 为硅基流动 BAAI/bge-m3（1024 维、8192 tokens），默认 Reranker 为 BAAI/bge-reranker-v2-m3；也支持 Ollama 离线 embedding 与 reranker，或已有 OpenAI 账号。
使用方式：先运行 local-rag setup 或设置 SILICONFLOW_API_KEY 环境变量，并用 local-rag info 检查配置。CLI 命令包括 local-rag create/delete/list 管理项目，local-rag ingest 项目 路径 入库，local-rag search 项目 查询 检索，加 --rerank --top-k 20 启用重排，另有 local-rag chunk-test、info。也可用 Python API 的 Pipeline 调 create_project、ingest、search、search_with_rerank、chunk_test；或运行 mcp_server.py 获得 create_project、delete_project、list_projects、ingest、search、rerank_search 六个工具。
适用场景：单机或内网环境下对制度文档做按项目隔离的语义检索，推荐 search_with_rerank 先取 top-20 再重排 top-10，并由 LLM 阅读候选完整内容做二次判断。
限制与注意：需要 Python 3.10+ 并安装 requirements.txt 依赖；默认模式需硅基流动 API Key，不能将 Key 写入 config.yaml，应通过环境变量引用。项目名仅允许英文、数字、点、横线；删除项目会同时删除文档与向量。向量检索无法判断“无对标”，需 LLM 二次判断；embedding 余弦相似度重排效果有限，cross-encoder 更精准但需 torch、transformers 与约 2.3GB 模型；Ollama 模式需本地模型约 2.5GB。具体收费与价格资料暂未提供。