你是否也遇到过这样的困扰：

一、RAG 是什么？为什么用 OpenClaw？

1. 把你的文档切片 → 转成向量 → 存入本地向量库
2. 用户提问 → 检索最相关片段 → 喂给大模型
3. 模型基于你的真实文档回答，不瞎编（减少幻觉）

• 轻量、本地、无服务端
• 用Skill（技能）模块化开发
• 直接调用Ollama本地模型
• 支持JS/Python双栈
• 一键触发、自然语言调用
• 数据100%在你本机

二、整体架构（极简版）

• 知识库：本地文件夹（PDF/MD/TXT/DOCX）
• 向量模型：nomic-embed-text（Ollama运行）
• 检索引擎：OpenClaw自定义Skill
• 大模型：Qwen 2.5 / Llama 3 本地运行
• 执行层：OpenClaw技能系统

三、环境准备（5分钟搞定）

1. 安装 Ollama + OpenClaw

# 安装Ollama（官网一键安装）
# 安装OpenClaw（npm）
npm install -g openclaw

2. 拉取向量模型 + 大模型

ollama pull nomic-embed-text    # 向量模型（必装）
ollama pull qwen2.5:7b          # 大模型（可换）

3. 新建知识库目录

# Windows
D:\AI_KnowledgeBase

# Mac/Linux
~/AI_KnowledgeBase

四、实战：开发 RAG 知识库技能（完整代码）

1. 创建技能目录

mkdir -p ~/.openclaw/skills/rag_knowledge
cd ~/.openclaw/skills/rag_knowledge

2. config.json（技能配置）

{
  "name": "rag_knowledge",
  "description": "本地私有知识库检索问答，基于RAG精准回答",
  "version": "1.0.0",
  "triggerKeywords": [
    "知识库",
    "查文档",
    "笔记",
    "资料",
    "手册",
    "总结文档",
    "本地文件",
    "我的文档"
  ]
}

3. index.js（核心RAG逻辑）

const fs = require('fs');
const path = require('path');
const { execSync } = require('child_process');
const os = require('os');

// ===================== 配置区 =====================
const KNOWLEDGE_DIR = path.join(os.homedir(), 'AI_KnowledgeBase');
// Windows改为：'D:\\AI_KnowledgeBase'
const VECTOR_MODEL = 'nomic-embed-text';
const LLM_MODEL = 'qwen2.5:7b';
// ==================================================

// 读取所有文档
function loadAllDocuments() {
  const files = fs.readdirSync(KNOWLEDGE_DIR);
  let docs = [];
  files.forEach(file => {
    const ext = path.extname(file).toLowerCase();
    if (['.pdf', '.txt', '.md', '.docx'].includes(ext)) {
      // 实际项目可加pdf-parse、mammoth等解析
      const content = fs.readFileSync(path.join(KNOWLEDGE_DIR, file), 'utf8');
      docs.push({ file, content });
    }
  });
  return docs;
}

// 生成向量（调用Ollama）
function getEmbedding(text) {
  const res = execSync(`ollama embed ${VECTOR_MODEL} "${text.replace(/"/g, '\\"')}"`);
  return JSON.parse(res.toString()).embedding;
}

// 简单余弦相似度（实战可用FAISS/Chroma）
function cosineSimilarity(a, b) {
  const dot = a.reduce((s, v, i) => s + v * b[i], 0);
  const ma = Math.sqrt(a.reduce((s, v) => s + v*v, 0));
  const mb = Math.sqrt(b.reduce((s, v) => s + v*v, 0));
  return dot/(ma*mb);
}

// 检索最相关文档片段
function retrieve(query, docs, topK=3) {
  const qEmb = getEmbedding(query);
  const scored = docs.map(doc => {
    const chunks = doc.content.split(/\n\n+/).filter(c => c.length>100);
    let maxSim = 0;
    let bestChunk = '';
    chunks.forEach(chunk => {
      const sim = cosineSimilarity(qEmb, getEmbedding(chunk));
      if (sim>maxSim) { maxSim=sim; bestChunk=chunk; }
    });
    return { ...doc, maxSim, bestChunk };
  });
  return scored.sort((a,b)=>b.maxSim-a.maxSim).slice(0, topK);
}

// 主函数（OpenClaw入口）
async function main({ query, say }) {
  await say("🔍 正在检索本地知识库，请稍候...");
  const docs = loadAllDocuments();
  const hits = retrieve(query, docs);

  if (hits.length===0) {
    await say("❌ 未找到相关文档");
    return;
  }

  const context = hits.map((h,i) =>
    `【文档${i+1}】${h.file}\n内容：${h.bestChunk}`
  ).join("\n\n");

  const prompt = `
你是基于本地知识库的AI助手。
请根据以下文档内容，准确、简洁回答用户问题，不要编造。
如果内容不足，请说明"根据现有文档无法完全回答"。

=== 文档内容 ===
${context}

=== 用户问题 ===
${query}

回答：
`;

  // 调用本地大模型生成回答
  const res = execSync(
    `ollama run ${LLM_MODEL} "${prompt.replace(/"/g, '\\"')}"`
  ).toString();

  await say(`✅ 基于本地知识库的回答：\n\n${res}`);
  await say("📄 参考文档：\n" + hits.map(h=>h.file).join("\n"));
}

module.exports = { main };

五、🔥 实战案例：企业内部手册 + 个人笔记 RAG（真实可跑）

📁 案例素材（放入知识库）

1. 《公司IT安全手册V2.0.pdf》
   1. 包含：USB禁用、密码策略、数据加密、内网权限、应急流程
2. 《2026项目技术方案.md》
   1. 包含：系统架构、接口规范、部署要求、性能指标、风险点
3. 《个人学习笔记—大模型RAG优化.txt》
   1. 包含：chunk大小、重叠度、向量库选型、重排序、幻觉抑制

🚀 触发方式

✅ 真实效果（示例输出）

🔍 正在检索本地知识库，请稍候...

✅ 基于本地知识库的回答：

根据《公司IT安全手册V2.0.pdf》，禁用USB方法如下：
1. 组策略：gpedit.msc → 计算机配置 → 管理模板 → 系统 → 可移动存储访问 → 所有可移动磁盘：拒绝所有权限
2. 注册表：HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\USBSTOR
   将Start值改为4（禁用）
3. 涉密电脑需同时关闭BIOS USB端口并设置密码

注意：临时授权需提交审批单，由IT管理员开通。

📄 参考文档：
公司IT安全手册V2.0.pdf

✅ 第二个案例效果

🔍 正在检索本地知识库，请稍候...

✅ 基于本地知识库的回答：

根据《2026项目技术方案.md》，系统架构分为四层：
1. 接入层：Nginx + Gateway
2. 应用层：微服务（用户/订单/支付/报表）
3. 数据层：MySQL + Redis + Elasticsearch
4. 中间件：RocketMQ + Seata分布式事务

核心性能指标：
- QPS ≥ 5000
- 接口响应 < 200ms
- 可用性 99.95%

📄 参考文档：
2026项目技术方案.md

六、使用方法

# 重启OpenClaw加载技能
openclaw restart

# 直接对话
openclaw chat

# 触发关键词：知识库、查文档、笔记、资料、手册...

七、进阶优化（生产可用）

• 用 Chroma/FAISS 替换简单向量检索
• 支持 PDF/Word专业解析（pdf-parse、mammoth）
• 加入 文本切片优化（chunk=512, overlap=64）
• 加入 BM25关键词混合检索
• 加入 重排序（Reranker）
• 支持 定时增量更新
• 支持 来源引用标注

八、总结

• 个人：笔记、论文、手册、代码、资料秒查
• 企业：内网SOP、合同、产品手册、客户资料私有化问答
• 开发者：零门槛搭建私有AI助手，不用懂LangChain复杂架构