标签：`WorkBuddy` `PGVector` `向量数据库` `MCP` `AI` `开发工具`
很多 WorkBuddy 免费用户会遇到积分不足、长文档知识库消耗 Token 过高的问题。本文分享一套 Windows 环境下，基于 Docker 部署 PGVector 向量库，搭配 MCP 协议接入 WorkBuddy 客户端的完整实战方案。使用 BGE-M3 本地生成向量，文档与向量全部保存在本机，检索逻辑本地执行，减少大模型上下文输入，有效降低 WorkBuddy 积分消耗。文中包含完整容器启动命令、建表 SQL、MCP 接入步骤与踩坑经验，适合开发者搭建私有本地 RAG 知识库。

## 前言

在用 WorkBuddy 做项目文档、技术资料 RAG 检索时，免费版自带知识库存在两个痛点：一是长文档多了检索精度下降；二是大量文档会快速消耗积分。
于是我尝试**本地搭建 PGVector 向量库，通过 MCP 协议接入 WorkBuddy，把文档向量化、向量检索放在本地电脑执行，大幅减少云端token消耗，适合程序员、架构师做私有知识库。本文是 Windows 环境完整实操踩坑记录。
>环境：Windows11 + Docker Desktop + WorkBuddy PC 客户端 + ThinkBook 16+

## 一、整体架构
1. 本地层：Docker 运行 PostgreSQL+pgvector 扩展，存储文档向量
2. MCP 服务：MCP 中间件连接 PGVector，对外提供向量检索、写入接口
3. WorkBuddy 客户端：加载 MCP 技能，直接调用本地向量库，完成私有文档检索
4. 嵌入模型：本地 BGE-M3 生成向量，文档数据不出本机，不消耗云端模型积分
优势：
- 私有文档全部本地存储，不上传第三方云端
- 向量计算本地执行，减少大模型上下文 token，节省 WorkBuddy 积分
- 支持百万级向量，适合项目源码、需求文档、技术手册长期归档
## 二、部署 PGVector（Docker 一键拉起）
### 1. 前提
Windows 安装 Docker Desktop，开启 WSL2 后端。
### 2. 启动 pgvector 容器
```bash
docker run -d \
  --name pgvector \
  -p 5432:5432 \
  -e POSTGRES_USER=postgres \
  -e POSTGRES_PASSWORD=123456 \
  -e POSTGRES_DB=vec_db \
  -v pgdata:/var/lib/postgresql/data \
  pgvector/pgvector:pg16
```
文字说明：执行下面命令，后台启动带 pgvector 扩展的 PostgreSQL 容器
![image.png](https://developer.qcloudimg.com/http-save/yehe-6172318/be680db97c85bcf3b7a5c0d5da233cd6.png)
执行 `docker ps` 查看容器运行状态，确认 pgvector 容器已成功启动，5432 端口映射生效。
### 3. 启用 vector 扩展
>① bash 块：进入容器的命令
```bash
# 进入容器执行
docker exec -it pgvector psql -U postgres -d vec_db
```
>② sql 块：数据库内执行的 SQL
```sql
CREATE EXTENSION IF NOT EXISTS vector;
```
执行`\dx`  查看扩展列表，看到 vector 即代表成功。
### 4. 创建向量表

```sql
CREATE TABLE doc_embedding (
  id bigserial primary key,
  doc_title text,
  doc_chunk text,
  embedding vector(1024)
);
-- 创建向量索引（HNSW，适合检索）
CREATE INDEX idx_doc_embedding ON doc_embedding USING hnsw (embedding vector_cosine_ops);
```
说明：BGE-M3 模型输出 1024 维向量，**向量维度必须和嵌入模型保持一致**。HNSW 索引用于高维向量近似检索，查询性能高；代价是构建索引时占用更多内存。
## 三、搭建 MCP 服务，对接 PGVector
>本节说明：
>1. 读者将下面代码保存为 `mcp_server.py`，示例存放路径：`D:\mcp_server.py`（需要和第四部分 MCP 配置命令内路径保持一致）
>2. 需要提前安装 Python 依赖包；
>3. 先在 PostgreSQL 执行建表 SQL，再运行 MCP 服务。
### 3.1 PGVector 建表 SQL
连接 PGVector 数据库，执行 SQL，创建向量表与 HNSW 索引（BGE-M3 输出维度 1024）：
```sql
CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE doc_embedding (
    id BIGSERIAL PRIMARY KEY,
    title TEXT,
    content TEXT,
    embedding vector(1024)
);
CREATE INDEX idx_doc_embedding ON doc_embedding USING hnsw (embedding vector_cosine_ops);
```
### 3.2 安装 Python 依赖
打开命令行执行：
```bash
pip install mcp sentence-transformers psycopg2-binary
```
### 3.3 MCP 服务完整代码（mcp_server.py）
新建文件命名 `mcp_server.py`，保存至 `D:\` 目录，代码如下：
```python
from mcp import Tool, TextContent
from mcp.server import Server
from sentence_transformers import SentenceTransformer
import psycopg2
import os
from pathlib import Path
import re

# ========== 配置项【务必修改为你自己的数据库信息】==========
PG_CONFIG = {
    "dbname": "postgres",
    "user": "postgres",
    "password": "your_pg_password",  # 修改为你的postgres密码
    "host": "127.0.0.1",
    "port": "5432"
}
EMBED_MODEL_NAME = "BAAI/bge-m3"
EMBED_DIM = 1024  # BGE-M3向量输出维度，不可改动
CHUNK_SIZE = 512
CHUNK_OVERLAP = 80
# ========================================================

# 加载本地BGE-M3嵌入模型（首次运行会自动下载模型文件）
model = SentenceTransformer(EMBED_MODEL_NAME)
app = Server("vector-db")

# 文档文本切片函数
def split_text(text: str):
    chunks = []
    sentences = re.split(r'(?<=[。！？\n])', text)
    current = ""
    for s in sentences:
        if len(current) + len(s) > CHUNK_SIZE:
            chunks.append(current)
            current = current[-CHUNK_OVERLAP:] + s
        else:
            current += s
    if current:
        chunks.append(current)
    return chunks

# MCP工具1：导入本地文档，切片、向量化入库
@app.tool()
async def import_doc(file_path: str, doc_title: str) -> str:
    """
    将本地文档切片并向量化存入PGVector
    :param file_path: 本地文档路径，如 D:/my-docs/demo.md
    :param doc_title: 文档标题
    """
    path = Path(file_path)
    if not path.exists():
        return f"错误：文件不存在 {file_path}"
    text = path.read_text(encoding="utf-8")
    chunks = split_text(text)
    conn = psycopg2.connect(**PG_CONFIG)
    cur = conn.cursor()
    for chunk in chunks:
        vec = model.encode(chunk).tolist()
        cur.execute(
            "INSERT INTO doc_embedding(title, content, embedding) VALUES(%s, %s, %s)",
            (doc_title, chunk, vec)
        )
    conn.commit()
    cur.close()
    conn.close()
    return f"导入成功，共 {len(chunks)} 个文本片段入库"

# MCP工具2：向量相似度检索，返回相关文档片段
@app.tool()
async def search_doc(query: str, top_k: int = 3) -> str:
    """
    基于问题做向量相似度检索，返回相关文档片段
    :param query: 用户提问
    :param top_k: 返回片段数量
    """
    q_vec = model.encode(query).tolist()
    conn = psycopg2.connect(**PG_CONFIG)
    cur = conn.cursor()
    cur.execute(
        """
        SELECT title, content, embedding <-> %s AS distance
        FROM doc_embedding
        ORDER BY embedding <-> %s LIMIT %s
        """,
        (q_vec, q_vec, top_k)
    )
    rows = cur.fetchall()
    cur.close()
    conn.close()
    res = []
    for title, content, dist in rows:
        res.append(f"【{title}】\n{content}\n相似度距离:{dist:.4f}")
    return "\n\n".join(res)

if __name__ == "__main__":
    import asyncio
    asyncio.run(app.run_stdio_async())
```

### 3.4 路径说明
- `mcp_server.py` 存放路径：`D:\mcp_server.py`
- 知识库文档目录：`D:\my-docs\`（存放待导入的 md/txt 文档）

>⚠️ 注意：第四部分 WorkBuddy MCP 配置里填写的命令 `python D:\mcp_server.py`，**文件路径必须和这里保存的位置完全一致，否则客户端无法启动 MCP 服务**。

### 3.5 测试运行
读者可在命令行手动执行下面命令，验证代码能否正常启动：
```bash
python D:\mcp_server.py
```
启动成功后不会输出大量日志，等待 WorkBuddy 客户端调用；如果直接报错，优先检查数据库密码、端口、模型下载是否完成。

## 四、WorkBuddy 客户端配置 MCP 接入

1. 打开 WorkBuddy PC 客户端 → 个人中心 → MCP 技能管理
2. 添加 MCP 服务，**选择 stdio 模式**，填入启动 MCP 服务的命令，示例：
```
python D:\mcp_server.py
```
1. 保存连接，测试连通性，提示连接成功即完成。
2. 在 Agent 指令中启用向量检索技能，指令示例：
```
#启用技能: vector-db
#向量库: 本地PGVector
#知识库路径: D:\my-docs
任务：回答用户问题时，优先调用vector-db检索PGVector知识库，使用检索到的文档片段作为上下文进行回答。
```
说明：本教程使用 MCP 的 stdio 子进程通信模式，**无需填写 HTTP 地址、不用开启端口与 Web 服务**。WorkBuddy 会自动执行上面的 python 命令拉起 MCP 服务进程，依靠标准输入输出完成 MCP 协议交互，适合纯离线本地知识库场景。HTTP 模式多用于远程服务调用，本章不使用。
## 五、实测效果 & 积分优化重点

接入完成后，对比原生内置知识库和本地 PGVector 方案：
1. 文档检索环节**本地完成**，不再把全部原文送入 WorkBuddy 大模型上下文，token 消耗显著降低，节省大量积分；
2. 项目源码、长技术文档召回更精准；
3. 文档保存在本机，敏感资料无需上传云端知识库。

### 免费版 WorkBuddy 使用心得

免费版每月基础积分有限，这套本地向量库方案，核心目的就是**降低积分消耗**。
日常简单查询继续使用 Hy3 低消耗模型；长文档 RAG 场景交给本地 PGVector+MCP，大幅减少积分消耗，延长免费版可用周期。
## 六、踩坑记录

1. Docker WSL2 内存不足：导入大量文档时容易 OOM，建议给 WSL 分配 4G 以上内存；
2. 向量维度不匹配：建表 `vector(N)` 必须和嵌入模型输出维度一致，否则写入报错；
3. MCP 跨域 / 端口防火墙：Windows 防火墙拦截本地端口，需要放行；
4. WorkBuddy 网页端不支持 MCP，**必须 PC 客户端**才能加载 MCP 技能。

## 七、总结
对重度使用 WorkBuddy 做文档 RAG 的开发者，PGVector+MCP 本地向量库是非常实用的方案。
把文档切片、向量存储、相似度检索下沉到本地，既保护私有文档，又能极大节省 WorkBuddy 积分，免费用户可以显著提升可用时长。
这套架构还可以继续扩展：接入 Ollama 本地大模型，实现完全离线 AI 问答。

标签：WorkBuddy PGVector 向量数据库 MCP AI 开发工具很多 WorkBuddy 免费用户会遇到积分不足、长文档知识库消耗 Token 过高的问题。本文分享一套 Windows 环境下，基于 Docker 部署 PGVector 向量库，搭配 MCP 协议接入 WorkBuddy 客户端的完整实战方案。使用 BGE-M3 本地生成向量，文档与向量全部保存在本机，检索逻辑本地执行，减少大模型上下文输入，有效降低 WorkBuddy 积分消耗。文中包含完整容器启动命令、建表 SQL、MCP 接入步骤与踩坑经验，适合开发者搭建私有本地 RAG 知识库。

WorkBuddy 本地知识库进阶：Docker 部署 PGVector 向量库 + MCP 接入完整实战

本文完整实战：基于 Docker 部署 PGVector 向量库，通过 MCP 协议接入 WorkBuddy PC 客户端，搭建私有本地 RAG 知识库。文档全部保存在本机不上传云端，显著减少 token 消耗，节省 WorkBuddy 积分。包含完整 Python 源码、建表 SQL 与详细配置步骤，可直接复现，适合想私有化部署文档检索的开发者。

数据库

开发工具

人工智能

向量数据库

代码解释

PostgreSQL

中间件

WorkBuddy 

防火墙

Windows

Python

容器

Agent

2026上云采购 | AI焕新·智启新局

WorkBuddy企业版限时双倍 Credits 活动

workbuddy

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

标签：WorkBuddy PGVector 向量数据库 MCP AI 开发工具很多 WorkBuddy 免费用户会遇到积分不足、长文档知识库消耗 Token 过高的问题。本文分享一套 Windows 环境下，基于 Docker 部署 PGVector 向量库，搭配 MCP 协议接入 WorkBuddy 客户端的完整实战...

WorkBuddy 本地知识库进阶：Docker 部署 PGVector 向量库 + MCP 接入完整实战-腾讯云开发者社区-腾讯云

WorkBuddy 本地知识库进阶：Docker 部署 PGVector 向量库 + MCP 接入完整实战

WorkBuddy 本地知识库进阶：Docker 部署 PGVector 向量库 + MCP 接入完整实战

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐