Haiku RAG智能检索系统
经 AI Skill Hub 精选评估，Haiku RAG智能检索系统 获评「强烈推荐」。这款MCP工具在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 8.2 分，适合有一定技术背景的用户使用。
📚 深度解析
通过安装 Haiku RAG智能检索系统，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。
在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。Haiku RAG智能检索系统 提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。
与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 Haiku RAG智能检索系统 评为 AI 评分 8.2 分，属于同类工具中的优质选择。
📋 工具概览
基于LanceDB、Pydantic AI和Docling的开源MCP工具，提供意见性的智能体RAG能力。支持文档解析、向量检索和多模态数据处理，适合需要构建智能知识库和问答系统的开发者。
Haiku RAG智能检索系统 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
📖 中文文档
基于LanceDB、Pydantic AI和Docling的开源MCP工具，提供意见性的智能体RAG能力。支持文档解析、向量检索和多模态数据处理，适合需要构建智能知识库和问答系统的开发者。
Haiku RAG智能检索系统 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/ggozad/haiku.rag
# 方式二：手动配置 claude_desktop_config.json
{
"mcpServers": {
"haiku-rag------": {
"command": "npx",
"args": ["-y", "haiku.rag"]
}
}
}
# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json
- 确认已安装 Node.js（v18 或以上版本）
- 打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
- 按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
- 保存配置文件并重启 Claude 客户端
- 重启后，在对话中即可使用本工具
# 安装后在 Claude 对话中直接使用 # 示例： 用户: 请帮我用 Haiku RAG智能检索系统 执行以下任务... Claude: [自动调用 Haiku RAG智能检索系统 MCP 工具处理请求] # 查看可用工具列表 # 在 Claude 中输入："列出所有可用的 MCP 工具"
// claude_desktop_config.json 配置示例
{
"mcpServers": {
"haiku_rag______": {
"command": "npx",
"args": ["-y", "haiku.rag"],
"env": {
// "API_KEY": "your-api-key-here"
}
}
}
}
// 保存后重启 Claude Desktop 生效
Haiku RAG
Agentic RAG built on LanceDB, Pydantic AI, and Docling.
New: vision and multimodal search. Picture-aware ingestion captures embedded figure bytes; vision-capable QA models receive them alongside text. Multimodal embedders put picture vectors in the same space as text, enabling text-as-query → figure hits and image-as-query retrieval.
Features
- Hybrid search — Vector + full-text with Reciprocal Rank Fusion
- Multimodal & cross-modal search — Multimodal embedders (vLLM, VoyageAI, Cohere) put picture vectors in the same space as text; supports text-as-query → figure hits and image-as-query
- Question answering — RAG skill with citations (page numbers, section headings)
- Vision QA — Vision-capable models receive figure bytes alongside chunk text
- Reranking — MxBAI, Cohere, Zero Entropy, or vLLM
- Analysis skill — Complex analytical tasks via sandboxed Python code execution (aggregation, computation, multi-document analysis)
- Conversational RAG — Chat TUI and web application for multi-turn conversations with session memory
- Document structure — Stores full DoclingDocument, enabling structure-aware context expansion
- Multiple providers — Embeddings: Ollama, OpenAI, VoyageAI, Cohere, LM Studio, vLLM (multimodal via
multimodal: trueon vLLM/VoyageAI/Cohere). QA: any model supported by Pydantic AI - Local-first — Embedded LanceDB, no servers required. Also supports S3, GCS, Azure, and LanceDB Cloud
- CLI & Python API — Full functionality from command line or code
- MCP server — Expose as tools for AI assistants (Claude Desktop, etc.)
- Visual grounding — View chunks highlighted on original page images
- Production ingester — Long-lived
haiku-ingesterservice with persistent SQLite queue, async worker pool with retries and a dead-letter queue, FS / HTTP / S3 / WebDAV source adapters, FastAPI control plane, and a browser dashboard for operators. See docs/ingester.md. - Time travel — Query the database at any historical point with
--before - Inspector — TUI for browsing documents, chunks, and search results
Slim Package (Minimal Dependencies)
pip install haiku.rag-slimInstall only the extras you need. See the Installation documentation for available options.
Installation
Python 3.12 or newer required
Quick Start
Note: Requires an embedding provider (Ollama, OpenAI, etc.). See the Tutorial for setup instructions.
```bash
Examples
See the examples directory for working examples:
- Docker Setup - Complete Docker deployment with continuous ingestion (
haiku-ingester) and MCP server - Web Application - Full-stack conversational RAG with CopilotKit frontend
Continuously ingest from configured sources (FS, HTTP, S3, WebDAV)
haiku-ingester serve ```
See Configuration for customization options.
Python API
from haiku.rag.client import HaikuRAG
async with HaikuRAG("knowledge.lancedb", create=True) as rag:
# Index documents
await rag.create_document_from_source("paper.pdf")
await rag.create_document_from_source("https://arxiv.org/pdf/1706.03762")
# Search — returns chunks with provenance
results = await rag.search("self-attention")
for result in results:
print(f"{result.score:.2f} | p.{result.page_numbers} | {result.content[:100]}")
# QA with citations
answer, citations = await rag.ask("What is the complexity of self-attention?")
print(answer)
for cite in citations:
print(f" [{cite.chunk_id}] p.{cite.page_numbers}: {cite.content[:80]}")For details on the skills the client wraps, see the Skills docs.
Full Package (Recommended)
pip install haiku.ragIncludes all features: document processing, all embedding providers, and rerankers.
Using uv? uv pip install haiku.rag
Ask questions with citations
haiku-rag ask "What datasets were used for evaluation?"
Haiku RAG 是一个基于 LanceDB、Pydantic AI 和 Docling 构建的 Agentic RAG 系统。它旨在为开发者提供强大的检索增强生成能力，通过结合先进的向量数据库与智能 Agent 框架，实现高度自动化且具备推理能力的文档检索与问答流程。
本项目具备强大的检索与问答能力：支持结合向量与全文检索的 Hybrid search（通过 Reciprocal Rank Fusion 算法优化结果）；支持 Multimodal 与 cross-modal 检索，利用 vLLM 实现图文向量对齐，支持以文搜图或以图搜文；问答系统支持带引用的 Question answering，可精准定位页码与章节；同时具备 Vision QA 能力，允许视觉模型直接处理图像字节。
使用本项目需要 Python 3.12 或更高版本。为了保持环境轻量化，我们提供了 Slim Package（通过 `pip install haiku.rag-slim` 安装），允许开发者根据实际需求仅安装必要的依赖项，避免冗余组件占用资源。
安装方式灵活多样。对于追求完整功能的开发者，推荐使用 `pip install haiku.rag` 或通过 `uv pip install haiku.rag` 进行安装。此外，项目也支持通过 Docker 进行快速部署，特别是在需要集成文件监控与 MCP server 的复杂场景下，Docker 是理想的选择。
快速上手指南：在使用前，请务必配置好 Embedding provider（如 Ollama 或 OpenAI 等）。您可以参考官方 Tutorial 进行环境初始化。项目提供了丰富的 Examples 目录，包含基于 Docker 的完整部署方案，以及集成 CopilotKit 前端的 Full-stack Web Application 示例，方便开发者快速构建对话式 RAG 应用。
Haiku RAG 提供了简洁的 Python API。开发者可以通过 `HaikuRAG` 异步上下文管理器轻松管理本地 LanceDB 索引。支持从本地文件或 URL 自动创建文档索引（create_document_from_source），并在搜索时返回带有来源证明（provenance）的文本块，确保检索结果的可追溯性。
推荐安装 Full Package（`pip install haiku.rag`），该版本包含了完整的工作流模块：从文档处理（Document processing）到各类 Embedding providers 以及 Rerankers 重排序器，能够实现从原始文档摄取到最终智能问答的全链路自动化处理。
针对用户最关心的引用问题，Haiku RAG 支持在命令行中使用 `--cite` 参数。例如，通过 `haiku-rag ask "问题" --cite`，系统不仅会回答问题，还会自动标注答案的出处，帮助用户验证信息的准确性。
成熟的RAG框架，整合业界优质组件，文档完整社区活跃。适合企业级应用构建，代码质量稳定。
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：haiku-rag 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 适合人群
🎯 使用场景
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +标准化 MCP 协议，生态互联性强
- +与 Claude 官方生态无缝对接
- +即插即用，配置简单快捷
- −依赖 Claude 客户端，非 Claude 用户无法使用
- −MCP 协议仍在持续演进，接口可能变更
- −需要一定的配置步骤
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：Haiku RAG智能检索系统 的核心功能完整，质量优秀。对于Claude Desktop / Claude Code 用户来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | haiku-rag |
| 原始描述 | 开源MCP工具：Opinionated agentic RAG powered by LanceDB, Pydantic AI, and Docling。⭐527 · Python |
| Topics | RAG向量数据库文档解析智能体MCP服务 |
| GitHub | https://github.com/ggozad/haiku.rag |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-20 · 更新时间：2026-05-30 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。