ragjson

遵循 RAG-Storage-Spec 规范的基于文件系统的 RAG 知识库构建工具。

将文档解析为 Markdown、切片、生成向量嵌入，并以 .ragjson 格式存储到文件系统中 —— 零外部数据库依赖。

特性

• 零外部依赖：仅依赖操作系统文件系统，无需向量数据库或中间件
• 文档解析：内置 markitdown 解析引擎
• 文本切片：支持 RecursiveCharacterTextSplitter（默认）和 MarkdownTextSplitter
• Embedding：兼容 OpenAI API 的向量生成
• 原子写入：write-to-tmp + rename 保证写入安全性
• 增量更新：基于 MD5 对比，仅处理变更文件
• 目录级并发：不同目录可并行处理，目录内 flock 互斥

安装

# 全局安装为独立命令（推荐，无需 venv）
uv tool install ragjson

或在项目虚拟环境中使用：

uv venv
source .venv/bin/activate
uv pip install ragjson

本地开发模式（从源码安装）：

uv venv
uv pip install -e .
source .venv/bin/activate

配置

在用户 home 目录下创建 ~/.rag.config 文件（JSON 格式）：

{
  "embedding_model": {
    "base_url": "https://api.example.com/v1",
    "api_key": "sk-your-token",
    "model_name": "text-embedding-3-small",
    "dimension": 1536
  },
  "splitter": {
    "chunk_size": 1000,
    "chunk_overlap": 200
  },
  "vector_database": {
    "db_url": "zvec:/data/vectordb",
    "index_type": "flat"
  }
}

配置项	说明
embedding_model.base_url	OpenAI 兼容 API 的地址
embedding_model.api_key	API 密钥
embedding_model.model_name	Embedding 模型名称
embedding_model.dimension	向量维度
splitter.chunk_size	切片最大字符数
splitter.chunk_overlap	切片重叠字符数
vector_database.db_url	向量数据库目录（collection 在其下的 zvec-db1/）
vector_database.index_type	索引类型：flat / hnsw

使用方法

查看状态

# 当前目录
rag status

# 指定目录
rag status ./docs

# 递归扫描子目录
rag status ./docs -r

# 单文件
rag status ./docs/readme.md

输出说明：

• 🟢 EMBEDDED — 已完成嵌入且 MD5 一致，无需更新
• 🟢 TRACKED — 子目录存在且被跟踪
• 🔴 NEW / CHANGED — 新文件或 MD5 已变更，需要更新
• 🟡 DELETED / DIR_DELETED / SLICING / EMBEDDING — 中间状态或已标记删除

增量更新

仅处理 MD5 发生变化的文件，执行完整流水线：解析 → 切片 → 嵌入 → 写入

# 使用默认切片器 (recursive)
rag update ./docs

# 递归更新子目录
rag update ./docs -r

# 使用 Markdown 切片器
rag update ./docs --splitter markdown

# 指定并发数
rag update ./docs -r -j 4

# 强制重新处理所有文件（跳过 MD5 检查）
rag update ./docs -f

# 单文件更新
rag update ./docs/readme.md

# 单文件强制更新
rag update ./docs/readme.md -f

参数说明：

参数	说明	默认值
-r	递归扫描子目录	否
-f	强制重新处理所有文件（跳过 MD5 检查）	否
-j N	并行处理的目录数	CPU 核心数
--splitter	切片器类型：recursive / markdown	recursive

导出

将 .ragjson 文件打包为 tar.gz 归档：

rag export backup.tar.gz              # 仅当前目录
rag export backup.tar.gz -r           # 递归包含子目录
rag export backup.tar.gz ./docs/a.md  # 导出单文件

清理 .rag 目录

# 清理当前目录
rm -rf .rag

# 递归清理所有子目录
find . -name ".rag" -type d -exec rm -rf {} +

索引同步

将向量同步到向量数据库：

# 增量同步（消费 .mushroom 变更通知）
rag index

# 递归增量同步
rag index -r

# 全量同步（扫描所有 EMBEDDED 的 .ragjson，不依赖 mushroom）
rag index -f

# 递归全量同步
rag index -f -r

# 单文件补偿索引（需要 -f）
rag index -f ./docs/readme.md

参数说明：

参数	说明	默认值
-r	递归扫描子目录	否
-f	全量同步（跳过 mushroom，扫描所有 .ragjson）	否

向量数据库路径和索引类型在 ~/.rag.config 的 vector_database 节配置。

孤儿向量检测

扫描向量数据库中已删除文件残留的孤儿向量：

# 扫描当前目录下的孤儿向量（仅列出，不删除）
rag orphans

# 扫描指定路径下的孤儿向量
rag orphans /root/ragjson-data

# 扫描并一键清除孤儿向量
rag orphans --clean

参数说明：

参数	说明	默认值
path	扫描路径前缀	.（当前目录）
--clean	检测后删除孤儿向量	否

MCP Server

启动 MCP Server（stdio 模式），供外部 MCP Client（如 Claude Desktop、Cursor）连接：

# 启动 server
rag mcp

MCP Client 配置示例（Claude Desktop claude_desktop_config.json）：

{
  "mcpServers": {
    "ragjson": {
      "command": "rag",
      "args": ["mcp"]
    }
  }
}

提供的能力：

类型	名称	说明
Tool	query(q, topn)	语义搜索知识库
Resource	ragjson://directory/{path}	目录文件列表（渐进浏览）
Resource	ragjson://file/{name}	单文件元数据
Resource	ragjson://chunks/{name}	文件切片详情
Resource	ragjson://orphans/{path}	目录下孤儿向量检测

注意：Resource 的路径参数需要 URL 编码（FastMCP 的 [^/]+ 正则不支持 /）：

原始路径: /root/ragjson-data/data
编码后:   %2Froot%2Fragjson-data%2Fdata

URI 示例: ragjson://directory/%2Froot%2Fragjson-data%2Fdata

目录结构

执行 rag update 后的目录结构示例：

docs/
├── .rag/                          # 控制目录
│   ├── tmp/                       # 原子写入暂存区
│   ├── readme.md.ragjson          # 文件条目（readme.md 的元数据）
│   ├── manual.pdf.ragjson         # 文件条目（manual.pdf 的元数据）
│   └── appendix.ragjson           # 目录条目（跟踪 appendix/ 子目录）
├── readme.md                      # 源文件
├── manual.pdf                     # 源文件
└── appendix/                      # 被跟踪的子目录
    └── ...

.ragjson 文件格式

文件条目

{
  "ragjson_version": "2.4",
  "processing": {
    "status": "EMBEDDED",
    "create_dt": "2026-07-14T10:00:00Z",
    "modify_dt": "2026-07-14T12:00:00Z"
  },
  "source": {
    "file_name": "readme.md",
    "md5_hash": "d41d8cd98f00b204e9800998ecf8427e",
    "size_bytes": 2048,
    "mtime": 1710508800,
    "inode": 12345678
  },
  "embedding": {
    "model_name": "text-embedding-3-small",
    "dimension": 1536
  },
  "chunks": [
    {
      "content": "切片完整原文内容...",
      "content_hash": "a1b2c3d4e5f6a1b2c3d4e5f6a1b2c3d4",
      "overlap_size": 0,
      "vector_base64": "P0A/0D9A/0D9A/0D9A=="
    }
  ]
}

目录条目

用于跟踪子目录的存在性，格式极简：

{"ragjson_version": "2.4"}

支持的文件类型

.pdf .docx .doc .pptx .ppt .xlsx .xls .md .txt .html

状态流转

INITIAL → CHUNKING → CHUNKED → EMBEDDING → EMBEDDED
                                            ↓
    (源文件变更) ←─────────────────── INITIAL (回退)

    源文件删除：任意状态 → rename .ragjson → .ragjson.deleted
    源文件恢复：.ragjson.deleted → rename .ragjson → (update 检测 MD5)

目录级别跟踪

rag update 自动跟踪子目录的存在性：

• 新建子目录 → 在父目录的 .rag/ 下创建目录条目（{dirname}.ragjson）
• 删除子目录 → rename 为 .ragjson.deleted，mushroom 记录 dir_delete 事件
• 恢复子目录 → rename 回 .ragjson，mushroom 记录 dir_recover 事件

rag index 对目录事件的处理：

• dir_delete → 按路径前缀（LIKE）批量删除向量数据库中的孤儿向量
• dir_recover → 提示用户清除旧 .rag 数据后重新 update 和 index

rag status 显示目录跟踪状态：

• 🟢 TRACKED — 子目录存在且被跟踪
• 🟡 DIR_DELETED — 子目录已被删除

项目架构

src/ragjson/
├── commands/     # CLI 命令（status, update, export, index, mcp）
├── embed/        # Embedding 生成（OpenAI 兼容 API）
├── index/        # 向量索引（zvec backend，可扩展）
├── mcp/          # MCP Server（stdio 传输，tool + resource）
├── parser/       # 文档解析（markitdown backend，可扩展）
├── splitter/     # 文本切片（recursive / markdown）
├── store/        # 存储层（ragjson 文件、原子操作、mushroom）
├── config.py     # ~/.rag.config 配置加载
├── utils.py      # 工具函数（MD5、向量编码、颜色输出）
└── cli.py        # CLI 入口

向量数据库 Collection Schema

zvec collection ragjson 的字段定义：

字段	类型	索引	说明
source_path	STRING	InvertIndex	文件完整绝对路径
source_dir	STRING	InvertIndex	文件所在目录
content	STRING	—	切片文本内容
content_hash	STRING	—	切片内容 MD5
embedding	VECTOR_FP32	Flat/HNSW	向量嵌入

文档 ID 使用 uuid5(namespace, f"{source_path}#{chunk_index}") 生成：

• 确定性：相同 source_path + chunk_index → 相同 UUID
• 跨后端一致：zvec、pgvector 等后端使用统一 ID 格式
• 支持任意字符：中文、特殊符号等文件名均可正确处理

升级提示：

从 0.4.x 升级到 0.5.0 后，向量数据库 schema 变更（source → source_path，新增 source_dir）：

rag index -f -r  # 必须重新索引

从 0.3.x 升级到 0.4.0 后：

• 规范版本从 v2.3 升至 v2.4，新增目录级别跟踪能力
• 文件类 .ragjson 格式不变，现有数据无需迁移
• rag update -r 会自动为子目录创建跟踪条目

从 0.3.1 升级到 0.3.2 后（uuid5 文档 ID）：

• 需要重新索引所有文档：rag index -f -r

开发

# 克隆项目
git clone <repo>
cd ragjson

# 创建虚拟环境并安装开发版本
uv venv
uv pip install -e ".[index,mcp]"
source .venv/bin/activate

# 运行 CLI
rag --help

许可证

MIT