LEANN 本地 RAG 完整上手三步把笔记本变成私有语义检索库【免费下载链接】LEANN[MLsys2026 Best Paper]: https://arxiv.org/abs/2506.08276. RAG on Everything with LEANN. Enjoy 97% storage savings while running a fast, accurate, and 100% private RAG application on your personal device.项目地址: https://gitcode.com/GitHub_Trending/le/LEANNLEANN 是一个面向个人设备的低存储向量索引RAG on Everything它不在磁盘上堆放 embedding而是只存一张剪枝过的图检索时按需重算向量。官方基准里 6000 万文本块的索引只要 6GB传统方案要 201GB而检索质量不打折。这篇文章按“从零环境到完成第一次语义检索”的真实顺序来写先对清单再装环境然后按数据类型挑场景最后讲排障和代码结构。开工前的环境自检清单动手之前先把这几项对一遍。省事的办法是把前置条件列出来逐项打勾因为后面八成数的报错都出在漏装依赖这一步。Python 3.10 及以上仓库声明兼容 3.9–3.13uv 已安装Python 包管理工具没有的话先装上官方文档里有多条安装路径操作系统落在三选一macOSARM64/Intel、LinuxUbuntu/Arch/WSL、Windows一个可用的 embedding 模型默认 facebook/contriever约 1 亿参数首次运行自动下载也可以指向本地 Ollama / LM Studio 的 OpenAI 兼容端点准备一个 LLM 后端用于leann ask生成回答设置OPENAI_API_KEY或跑一个本地 Ollamaollama pull llama3.2:1b就够轻量可选想启用 DiskANN 后端才需要 C 构建链libomp、boost、protobuf、zeromq、MKL 等macOS 要求 13.3 以上三步跑通从 clone 到第一条查询最小路径就三条命令中间没有要填的配置文件。克隆仓库git clone https://gitcode.com/GitHub_Trending/le/LEANN leann cd leann建虚拟环境并从 PyPI 装主包纯 CPU 的 Linux 机器换uv pip install leann[cpu]uv venv source .venv/bin/activate uv pip install leann用仓库自带的示例数据跑第一次 RAG。data/目录里预置了两篇论文、一部小说和一份中文技术报告直接问python -m apps.document_rag --query What are the main techniques LEANN explores?想换成自己的目录两条 CLI 命令的事leann build my-docs --docs ./your_documents leann ask my-docs --interactiveleann build默认走 hnsw 后端和 contriever 模型其余参数用leann build --help现查即可。能索引什么六个数据源场景仓库把每种数据源都写成了可直接运行的示例脚本模式统一为“一条命令建索引 一条命令问”。按数据类型分比按代码模块分更贴近实际用途。文档与笔记.pdf / .txt / .md最简单的入口也是默认示例所在。指向自己的论文目录python -m apps.document_rag --data-dir ~/Documents/Papers --query your question代码库可以加--enable-code-chunking走 AST 感知切块保留函数、类边界或者直接用apps.code_rag专用脚本。邮件与浏览器历史邮件示例目前只支持 macOS且要先到“系统设置 → 隐私与安全性”给终端授予完整磁盘访问权限再重启终端python -m apps.email_rag --query What receipts did I get last month?官方数据是 78 万邮件块只占 78MB。浏览器历史同理38000 条记录约 6MBpython -m apps.browser_rag --query Tell me my browser history about machine learning?聊天与 AI 对话归档微信需要先装导出工具 wechattweak-cli然后python -m apps.wechat_rag --query ...40 万条消息约 64MBiMessage 同样要求 macOS 完整磁盘访问python -m apps.imessage_rag直接读~/Library/Messages/chat.db。ChatGPT / Claude 的对话需要先走官方设置页导出html/zip/json再传路径python -m apps.chatgpt_rag --export-path chatgpt_export.html --query How do I create a list in Python?实时数据与参数调节Slack、Twitter 这类不落地导出的数据走 MCP server先测连通性再建索引python -m apps.slack_rag --mcp-server slack-mcp-server --test-connection所有示例共享一套检索参数最常动的是--top-k召回条数、--search-complexity图遍历复杂度和--chunk-size/--chunk-overlap切块粒度。索引文件本身落盘后长期复用leann list查看、leann remove清理这就是它对应“预设保存”的机制。进阶过滤、增量与 Claude Code 接入基础跑通之后下面四个功能是日常使用里真正拉开体验差距的地方。元数据过滤索引时给每块挂 metadata检索时按条件筛运算符覆盖、in、contains、starts_with等典型用法是“只在 .py 文件里找认证函数”。完整说明见 docs/metadata_filtering.md。精确匹配不需要语义相似度时传use_grepTrue走 grep 通道适合查报错原文和函数名见 docs/grep_search.md。增量更新leann watch my-docs基于 Merkle 快照对比文件状态报出新增/修改/删除的块不用全量重建。后端与 GPU 选项hnsw 默认、省存储最狠DiskANN 走 PQ 图遍历加实时重排速度精度平衡更好有 CUDA 卡的机器可看 docs/flashlib_backend_guide.md。接入 Claude Code两行命令把语义检索变成 IDE 里的 MCP 服务代码库索引自动完成uv tool install leann-core --with leann claude mcp add --scope user leann-server -- leann_mcp症状与对策常见排障对照表官方 FAQ 覆盖得算全这里按“看到什么 → 做什么”重排一遍方便对号入座。症状对策建索引慢得离谱换轻量 embedding--embedding-model sentence-transformers/all-MiniLM-L6-v23000 万参数对照 contriever 约 1 亿检索结果牛头不对马嘴先检查是否给通用模型加了 prompt 模板只有 EmbeddingGemma 这类任务专用模型需要通用模型加了反而污染向量再调--chunk-size、--top-k、--search-complexityLM Studio 里同一个模型加载了多份升级 LEANN 到最新版、重启 LM Studio、开启 JIT auto-evict微信导出报 “Failed to export”重启微信再试并确认 wechattweak-cli 装对了仓库里带了一份packages/wechat-exporter/邮件 / iMessage 读不到数据给终端或 IDE 授予完整磁盘访问权限然后重启终端DiskANN 源码构建失败老发行版如 Ubuntu 20.04需要更新版 Abseil 并把 protobuf 钉在 3.20.x赶时间就先只用 hnsw 后端打算用云端 embedding API先读清数据留存策略隐私敏感场景换回本地 Ollama / LM Studio更多细节直接翻 docs/faq.md 和 docs/configuration-guide.md。代码速览目录分工与关键入口仓库是多包结构不用通读知道去哪找就行。核心原理一句话图结构选择性重算 保高度剪枝——只存剪枝后的图搜索路径上的节点才现算 embedding97% 的节省就是这么来的。路径职责packages/leann-core/src/leann/api.py声明式 API 入口LeannBuilder / LeannSearcher / LeannChatpackages/leann-core/src/leann/cli.pyleann build / search / ask / watch / list / removepackages/leann-core/src/leann/mcp.pyMCP 服务入口leann_mcpClaude Code 集成靠它packages/leann-backend-hnsw/默认 HNSW 后端与 embedding 服务packages/leann-backend-diskann/DiskANN 后端含图分区逻辑apps/各数据源 RAG 示例document_rag、email_rag、wechat_rag、browser_rag 等benchmarks/基准复现脚本含 compare_faiss_vs_leann.py 存储对比收尾一句话总结与延伸阅读用按需重算换存储让邮件、聊天记录、浏览器历史和代码库全部留在本地还能被语义检索这就是 LEANN 的全部卖点。想继续往下走按顺序看 docs/configuration-guide.md模型选型与调优、docs/faq.md、docs/roadmap.md 和 docs/CONTRIBUTING.md 即可项目出自 Berkeley Sky Lab对应论文是 MLSys 2026 Best Paper。【免费下载链接】LEANN[MLsys2026 Best Paper]: https://arxiv.org/abs/2506.08276. RAG on Everything with LEANN. Enjoy 97% storage savings while running a fast, accurate, and 100% private RAG application on your personal device.项目地址: https://gitcode.com/GitHub_Trending/le/LEANN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考