clawrag

ClawRAG Connector 是一款面向 OpenClaw 用户的自托管 RAG（检索增强生成）连接工具，旨在通过本地部署实现完全的数据隐私保护。该 Skill 本身为纯文档型资产，提供了将 OpenClaw 连接至本地 ClawRAG 实例的完整部署指南，使用户能够在本地 Docker 环境中构建私有知识库。

核心用法方面，用户需通过 Docker Compose 在本地启动 ClawRAG 服务（基于 ChromaDB 向量数据库），随后通过 MCP 协议将 OpenClaw 与该本地服务连接。Skill 支持混合搜索模式，结合向量相似度与 BM25 关键词匹配，可处理 PDF、Word、Markdown 等多种文档格式，并为所有回答提供可追溯的引用来源。用户可通过 API 或文件夹方式批量导入文档，并按项目组织多集合知识库。

显著优点在于其隐私优先的设计理念。所有数据（包括向量化和文档内容）均保留在本地 Docker 环境中，无需上传至第三方云服务，特别适合处理敏感信息。混合搜索架构提升了检索精度，而 MCP-native 设计确保了与 OpenClaw 的无缝集成。此外，开源特性允许用户审查和定制底层代码。

然而，该 Skill 存在若干局限性。首先，部署门槛较高，要求用户具备 Docker 操作经验及至少 4GB RAM（推荐 8GB），对非技术用户不够友好。其次，作为 T3 来源的个人开源项目，长期维护稳定性和企业级支持存在不确定性。再者，虽然 Skill 本身安全，但依赖外部 GitHub 仓库和 npm 包（@clawrag/mcp-server），存在潜在的供应链安全风险。

适合目标群体包括：注重数据隐私的技术从业者、需要在本地环境搭建知识库的 OpenClaw 用户、以及对 RAG 技术有基础了解并具备 Docker 环境的管理员。特别适合处理机密文档且不希望数据离开本地网络的企业或个人。

使用风险主要包括：外部依赖的安全审查责任转移至用户，需自行验证 ClawRAG 项目及 MCP Server 包的代码安全性；Docker 环境的配置复杂性可能导致部署失败；本地 LLM 运行对硬件资源要求较高，若使用云 LLM API 则需注意密钥管理安全。建议在生产环境使用前进行充分的安全审计。