DEV Community
·
通过本地RAG增强我的VS Code AI助手
内容提要
我在VS Code中使用AI助手进行个人反思和日记，结合检索增强生成（RAG）和模型上下文协议（MCP），构建了一个本地RAG服务，以快速检索相关日记内容，显著提升了AI助手的实用性。
关键要点
-
在VS Code中使用AI助手进行个人反思和日记是我的工作流程的核心部分。
-
AI助手能够捕捉我的想法并将其保存为日期标记的Markdown文件，但缺乏高效访问过去内容的能力。
-
传统的手动文件读取和大规模上下文窗口都存在效率低下和成本高的问题。
-
我需要一种方法，让我的AI助手能够快速检索相关的历史上下文，而不受这些缺点的影响。
-
解决方案是结合检索增强生成（RAG）和模型上下文协议（MCP）。
-
RAG从外部知识库（我的日记文件）中检索相关信息，并将其添加到提示中。
-
MCP为我的VS Code AI助手与其他本地工具和服务之间的通信提供标准化方式。
-
我构建了一个本地RAG服务，索引我的Markdown日记文件，并通过MCP服务器提供查询能力。
-
AI助手通过调用journal-rag-mcp服务器来获取历史上下文，而不是手动读取文件。
-
RAG服务器接收请求，嵌入查询，搜索ChromaDB索引并返回相关文本片段。
-
AI助手结合原始问题和检索到的片段生成简洁的提示，提供基于我过去写作的响应。
-
构建RAG MCP服务的核心组件包括Markdown文件、Python、sentence-transformers、ChromaDB等。
-
当前的journal-rag-mcp服务器运行稳定，显著提升了AI助手的实用性。
-
未来计划包括构建指标解析器和仪表板、创建独立的AI聊天界面、优化RAG过程等。
-
结合强大的AI助手和本地工具提供了一种高效、相关且可扩展的方式来访问个人知识库。
延伸解读
RAG与MCP的结合优势
通过结合检索增强生成（RAG）和模型上下文协议（MCP），用户可以高效地从个人日记中提取相关信息。这种方法不仅提高了AI助手的响应速度，还避免了传统手动读取文件的低效，适合需要快速访问历史记录的用户。
构建本地RAG服务的实用性
构建本地RAG服务需要掌握Python、ChromaDB等技术，但其带来的便利性是显而易见的。用户可以通过简单的查询获取历史上下文，提升了个人反思和日记记录的效率，适合希望优化工作流程的开发者。
未来发展方向
文章提到未来计划包括构建指标解析器和仪表板，这将进一步增强用户对数据的可视化理解。此外，创建独立的AI聊天界面也将提升用户体验，值得关注这些功能的后续进展。
延伸问答
如何在VS Code中使用AI助手进行个人反思和日记？
在VS Code中，AI助手可以捕捉用户的想法并将其保存为日期标记的Markdown文件，成为个人反思和日记的核心工具。
什么是检索增强生成（RAG）？
检索增强生成（RAG）是一种方法，它从外部知识库中检索相关信息，并将其添加到提示中，以提高生成模型的响应质量。
如何解决AI助手访问历史内容效率低下的问题？
通过构建本地RAG服务，结合模型上下文协议（MCP），AI助手可以快速检索相关的历史上下文，而不需要手动读取文件。
构建本地RAG服务需要哪些核心组件？
构建本地RAG服务的核心组件包括Markdown文件、Python、sentence-transformers和ChromaDB等。
AI助手如何获取历史上下文以生成响应？
AI助手通过调用journal-rag-mcp服务器，发送查询请求，服务器检索相关文本片段并返回给助手，助手再结合这些片段生成响应。
未来对RAG服务有哪些计划？
未来计划包括构建指标解析器和仪表板、创建独立的AI聊天界面以及优化RAG过程等。
