ragjson 0.1.0

遵循RAG-Storage-Spec的知识库构建工具

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：支持 markitdown（默认）和 MinerU 两种解析引擎
• 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[all]

或在项目虚拟环境中使用：

uv venv
source .venv/bin/activate
uv pip install ragjson[all]

本地开发模式（从源码安装）：

uv venv
uv pip install -e ".[all]"
source .venv/bin/activate

可选的 extras 组合：

extras	说明
ragjson	基础安装（切片 + Embedding）
ragjson[markitdown]	增加 markitdown 文档解析
ragjson[mineru]	增加 MinerU 文档解析（轻量 HTTP 客户端）
ragjson[all]	全部依赖

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
  },
  "mineru": {
    "backend": "http-client",
    "server_url": "https://your-mineru-server:8443",
    "image_dir": "/tmp/mineru_output",
    "image_url_prefix": "https://yoursite.com"
  },
  "splitter": {
    "chunk_size": 1000,
    "chunk_overlap": 200
  }
}

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
mineru.*	MinerU 解析服务配置（仅 --parser mineru 时需要）
splitter.chunk_size	切片最大字符数
splitter.chunk_overlap	切片重叠字符数

使用方法

初始化目录

在目标目录下创建 .rag/ 和 .rag/tmp/ 控制目录：

rag init ./docs

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

输出说明：

• 🟢 EMBEDDED — 已完成嵌入且 MD5 一致，无需更新
• 🔴 NEW / CHANGED — 新文件或 MD5 已变更，需要更新
• 🟡 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

# 使用默认解析器 (markitdown) 和默认切片器 (recursive)
rag update ./docs

# 递归更新子目录
rag update ./docs -r

# 使用 MinerU 解析器
rag update ./docs --parser mineru

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

# 指定并发数
rag update ./docs -r -j 4

参数说明：

参数	说明	默认值
-r	递归扫描子目录	否
-j N	并行处理的目录数	CPU 核心数
--splitter	切片器类型：recursive / markdown	recursive
--parser	解析器类型：markitdown / mineru	markitdown

清理临时文件

清除崩溃后残留的 .tmp 文件：

rag clean ./docs
rag clean ./docs -r    # 递归清理

清除已删除记录

物理删除状态为 DELETED 的 .ragjson 文件：

rag cleanup ./docs
rag cleanup ./docs -r  # 递归清除

导出

将所有 .ragjson 文件打包为 tar.gz 归档：

rag export ./docs ./backup.tar.gz

目录结构

执行 rag init 和 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          # readme.md 的元数据
│   └── manual.pdf.ragjson         # manual.pdf 的元数据
├── readme.md                      # 源文件
└── manual.pdf                     # 源文件

.ragjson 文件格式

{
  "ragjson_version": "2.0",
  "processing": {
    "status": "EMBEDDED",
    "create_dt": "2026-07-14T10:00:00Z",
    "modify_dt": "2026-07-14T12:00:00Z"
  },
  "source": {
    "md5_hash": "d41d8cd98f00b204e9800998ecf8427e",
    "size_bytes": 2048,
    "mtime": 1710508800
  },
  "embedding": {
    "model_name": "text-embedding-3-small",
    "dimension": 1536
  },
  "slices": [
    {
      "index": 0,
      "content": "切片完整原文内容...",
      "vector_base64": "P0A/0D9A/0D9A/0D9A=="
    }
  ]
}

支持的文件类型

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

状态流转

INITIAL → SLICING → SLICED → EMBEDDING → EMBEDDED
                                         ↓
    (MD5 变更) ←────────────────── INITIAL (回退)
    
    任意状态 → DELETED → (cleanup 物理删除)

开发

# 克隆项目
git clone <repo>
cd knowledge-base-processor

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

# 运行 CLI
rag --help

许可证

MIT