beoasaver-boop

Port RAG Potty — AI skill for Claude Code

AI community

Sirve a tus agentes de IA (opencode, Claude, Cursor, Cline…) contexto curado de cualquier proyecto: reduce de al rededor de 80-150k tokens de lectura de archivos a 3-5k de respuestas HTTP precisas.

How to install Port RAG Potty

This entry records only its repository, not the path inside it, so there is no exact command to give. Open beoasaver-boop/port-rag-potty and copy the folder into ~/.claude/skills/, or the file into ~/.claude/agents/.

What Port RAG Potty does

Sirve a tus agentes de IA (opencode, Claude, Cursor, Cline…) contexto curado de cualquier proyecto: reduce de al rededor de 80-150k tokens de lectura de archivos a 3-5k de respuestas HTTP precisas. Todo usando modelos locales de embedding como motor de RAG

Alternatives in AI

AI Guide — 程序员鱼皮的 AI 资源大全 + Vibe Coding 零基础教程，分享 OpenClaw 保姆级教程、大模型玩法（DeepSeek / GPT / Gemini / Claude）、最新 AI 资讯、Prompt 提 11.8k ★
Jcodemunch MCP — Cut AI token costs 95%+ on code exploration 2.6k ★
Codesight — Universal AI context generator 979 ★

README

port-rag-potty

RAG portable

**RAG con ChromaDB + Ollama, «cópialo y funciona».** Sirve a tus agentes de IA (opencode, Claude, Cursor, Cline…) contexto curado de cualquier proyecto: reduce de ~80-150k tokens de lectura de archivos a ~3-5k de respuestas HTTP precisas.

Un directorio `rag/` + una plantilla `AGENTS.md` que se copian dentro de **cualquier** proyecto. No está atado a ningún tipo de código (frontend, Python, docs…) — la configuración por proyecto vive en un único `rag.config.json` auto-generado.

Qué resuelve

Un agente nuevo que entra a un repo desconocido hoy se lee README + archivos al completo (80-150k tokens). Con el RAG hace 4-5 llamadas HTTP (~3-5k tokens) y tiene:

/methodology — el «alma» del proyecto: propósito, arquitectura, convenciones (chunks de README/AGENTS marcados como methodology).
/query — búsqueda semántica sobre todo el código (embeddings bge-m3).
/categories — grupos (temas CSS, módulos…) y sus tokens/archivos (opcional).

Requisitos

Docker (para la instalación automatizada) o Python 3.10+ (instalación manual)
Ollama con el modelo de embeddings, por ejemplo bge-m3:
```
ollama pull bge-m3
```
La instalación automatizada usa un contenedor ollama/ollama y pullea el modelo por ti.

Instalación

El repo trae scripts de automatización equivalente en **bash** (`setup.sh`) y **PowerShell** (`setup.ps1`): clonan/buscan el repositorio del RAG, lo copian al proyecto destino, montan los contenedores (Ollama + RAG), pullean el modelo, crean la base Chroma e indexan — todo hasta que `/stats` da `drift = 0`.

Opción A — Automatizada (recomendada, Docker)

# 1) Clona el repositorio del RAG (solo la primera vez)
git clone  rag-portable
cd rag-portable

# 2) Instala el RAG en tu proyecto y déjalo indexado
./setup.sh /ruta/al/proyecto        # bash (Linux/macOS/WSL)
# o en Windows PowerShell:
.\setup.ps1 C:\ruta\al\proyecto