项目简介

RagCode MCP是一款基于Model Context Protocol (MCP) 的本地AI服务器，旨在增强GitHub Copilot、Cursor、Claude等AI助手对您代码库的理解能力。它通过在本地运行大型语言模型和向量数据库，实现代码的语义搜索、智能导航和上下文检索，确保您的专有代码始终保持私密，不上传至云端。RagCode提供9项强大的工具，让AI能够快速准确地访问和理解代码，显著提升开发效率。

主要功能点

语义代码搜索: 依据代码的含义而非关键词进行智能搜索，快速定位相关代码片段。
混合搜索: 结合语义搜索与关键词搜索，提供更精准的查找结果。
获取函数详情: 立即获取函数、方法或类型定义（包括签名、参数、返回值和代码体）。
查找类型定义: 快速定位类、结构体、接口等类型定义及其成员。
查找实现/引用: 发现特定符号（如函数、接口）的所有使用或实现之处。
列出包导出符号: 浏览任何包或模块导出的所有函数、类型和常量。
搜索项目文档: 在项目Markdown文档中进行语义搜索，获取相关信息。
获取代码上下文: 读取指定文件特定行范围的代码，并包含上下文行。
工作区自动索引: 自动检测您的项目工作区，并在后台增量索引代码，无需手动干预。
隐私优先: 所有AI模型和数据均在本地运行，您的代码永不离开本地机器。
多语言支持: 目前支持Go、PHP (Laravel)、Python (即将推出) 和 JavaScript/TypeScript (计划中)。
多工作区支持: 可同时管理和索引多个项目。

安装步骤

RagCode MCP的安装非常简单，只需一条命令即可完成：

安装Docker Desktop: 如果您尚未安装Docker，请先访问 Docker官网下载并安装Docker Desktop，确保其正在运行。RagCode使用Docker来运行Qdrant向量数据库和可选的Ollama模型。

运行一键安装器: 根据您的操作系统选择并执行以下命令：

Linux (amd64):

curl -fsSL https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_linux_amd64.tar.gz | tar xz && ./ragcode-installer -ollama=docker -qdrant=docker

macOS (Apple Silicon):

curl -fsSL https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_darwin_arm64.tar.gz | tar xz && ./ragcode-installer -ollama=docker -qdrant=docker

macOS (Intel):

curl -fsSL https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_darwin_amd64.tar.gz | tar xz && ./ragcode-installer -ollama=docker -qdrant=docker

Windows (PowerShell):

Invoke-WebRequest -Uri "https://github.com/doITmagic/rag-code-mcp/releases/latest/download/rag-code-mcp_windows_amd64.zip" -OutFile "ragcode.zip"
Expand-Archive ragcode.zip -DestinationPath . -Force
.\ragcode-installer.exe -ollama=docker -qdrant=docker

安装器将自动下载并安装RagCode二进制文件、设置Ollama和Qdrant服务（默认通过Docker运行）、下载所需的AI模型，并为您的IDE（如VS Code）进行配置。

服务器配置

RagCode MCP服务器安装后通常不需要手动配置。它会自动检测您的项目并开始工作。对于MCP客户端（如VS Code的GitHub Copilot），您可能需要在其MCP服务器配置中添加RagCode服务器信息。以下是通用配置示例：

// 文件路径示例 (取决于您的操作系统和IDE):
// Linux: ~/.config/Code/User/globalStorage/mcp-servers.json
// Windows: %APPDATA%\Code\User\globalStorage\mcp-servers.json
// macOS: ~/Library/Application Support/Code/User/globalStorage/mcp-servers.json
{
  "mcpServers": {
    "ragcode": {
      // 指定RagCode MCP服务器的可执行文件路径。
      // 示例: "/home/YOUR_USERNAME/.local/share/ragcode/bin/rag-code-mcp"
      // 请将YOUR_USERNAME替换为您的实际系统用户名。
      "command": "PATH_TO_RAGCODE_BINARY", 
      "args": [], // 启动参数，通常为空
      "env": {
        // Ollama服务器的基础URL，用于本地LLM和嵌入模型。默认已配置。
        "OLLAMA_BASE_URL": "http://localhost:11434",
        // 用于代码分析的LLM模型。默认已配置为phi3:medium。
        "OLLAMA_MODEL": "phi3:medium",
        // 用于生成嵌入向量的模型。默认已配置为nomic-embed-text。
        "OLLAMA_EMBED": "nomic-embed-text",
        // Qdrant向量数据库的URL。默认已配置。
        "QDRANT_URL": "http://localhost:6333"
      }
    }
  }
}

请注意：'PATH_TO_RAGCODE_BINARY' 通常是 '~/.local/share/ragcode/bin/rag-code-mcp' （Linux/macOS）或 'C:\Users\YOUR_USERNAME.local\share\ragcode\bin\rag-code-mcp.exe' （Windows），具体路径在安装后会提示。

基本使用方法

打开项目: 在您支持MCP的IDE（如VS Code）中打开一个代码项目。
向AI助手提问: 直接向您的AI助手（如GitHub Copilot Chat）提问关于代码的问题，例如："这段代码的认证逻辑是如何工作的？" 或 "查找所有处理用户数据的函数。"
自动工作: RagCode MCP会在后台自动检测您的工作区，创建索引（首次查询可能需要一些时间，之后会立即响应），并由AI助手调用相应的工具来回答您的问题。文件更改也会被自动检测并增量重新索引。

关键词

项目简介

主要功能点

安装步骤

服务器配置

基本使用方法

信息