当前位置：首页 > news >正文

ClaudeCode工程实践：VS Code深度集成与上下文精准裁剪

news 2026/7/15 4:57:03

1. 这不是“又一个AI编程助手”——ClaudeCode 的真实定位与适用边界

ClaudeCode 不是 Anthropic 官方产品，也不是某个独立发布的开源工具，而是社区中对“将 Claude 大模型能力深度集成进代码编辑器（尤其是 VS Code）并围绕开发工作流做系统性增强”的一类实践方案的统称。它本质上是一套可复现、可配置、可演进的工程化使用范式，核心目标不是简单地把聊天窗口塞进编辑器，而是让 Claude 的推理能力真正嵌入写代码、读代码、改代码、查 Bug、写文档的每一个毛细血管环节。我从 2023 年底开始在多个生产级 Python/TypeScript 项目中落地这套方案，覆盖从单人脚手架开发到 8 人前端团队的日常协作，实测下来，它解决的不是“能不能问问题”，而是“在什么时机、用什么方式、以什么精度、让模型介入哪一段上下文，才能真正节省有效工时”。关键词ClaudeCode、VS Code 插件链、上下文裁剪策略、本地缓存代理、RAG 增强提示，这些不是概念堆砌，而是每天打开编辑器后真实敲下的配置项和触发动作。如果你正被 Copilot 的“泛泛而谈”困扰，或觉得 ChatGPT 粘贴来粘贴去效率低下，又或者在尝试 Cursor、Windsurf 等商业 IDE 时发现定制成本过高——那么这篇教程就是为你写的。它不假设你熟悉 LLM 底层原理，但默认你已能熟练使用 VS Code 的基础功能（如多光标、命令面板、设置 JSON 编辑），所有操作均基于 macOS / Windows / Linux 三端验证，不依赖任何云服务绑定，所有配置文件均可 Git 版本化管理。

2. 整体架构设计：为什么必须放弃“单插件思维”，转向“三层协同工作流”

2.1 误区拆解：市面上 90% 的“Claude 编程教程”为何失效？

我翻过不下 50 篇标题含“Claude 编程”“Claude 写代码”的公开教程，其中绝大多数失败的根本原因在于——它们把 ClaudeCode 当成一个“开箱即用的黑盒插件”。典型错误包括：

直接推荐某款未经审计的第三方 VS Code 插件，声称“一键安装即可调用 Claude”，结果背后调用的是不可控的公有 API 端点，响应延迟高、上下文长度被硬砍至 4K、且无法接入本地知识库；
教程只教“如何发送当前文件内容给模型”，却完全忽略上下文污染问题：当你正在修改user-service.ts时，模型若同时看到payment-service.ts和legacy-utils.js，其注意力必然被无关噪声稀释，生成代码的准确率下降 37%（这是我用 127 个真实 PR 评审数据做的 A/B 测试结论）；
完全不提状态持久化：一次对话中模型记住了你刚定义的ApiResponse<T>类型，但下一次请求时该上下文彻底丢失，导致重复解释、类型推导断裂、命名风格不一致。

这些不是小问题，而是直接决定你能否坚持用下去的体验断点。真正的 ClaudeCode 不是“让 Claude 能说话”，而是“让 Claude 成为你开发环境里一个稳定、可信、可预期的协作者”。

2.2 我的三层协同架构：代理层 + 编排层 + 执行层

经过 6 个月迭代，我最终稳定使用的架构是严格分层的三组件协同模式，每层职责清晰、可独立替换：

层级	组件	核心职责	替换灵活性	实测延迟（P95）
代理层	`claude-proxy-server`（自建 Node.js 服务）	统一管理 API Key、实现请求重试/熔断、注入全局系统提示、缓存高频响应（如`tsconfig.json`解析结果）	★★★★☆（可换为 Python FastAPI 或 Rust Axum）	210ms
编排层	VS Code 插件`claude-code-core`（非市场版，GitHub 自托管）	感知编辑器状态（光标位置、选中文本、打开的文件树、Git 差异）、执行上下文裁剪算法、组装 RAG 检索结果、生成最终 prompt	★★☆☆☆（逻辑强耦合 VS Code API，但配置开放）	<5ms（纯本地）
执行层	Anthropic 官方`anthropic-sdk`v0.32+	调用`messages.create`接口，处理 streaming 响应、解析`tool_use`块、安全过滤输出中的危险指令（如`rm -rf`）	★★★★★（SDK 升级即生效）	由代理层屏蔽

这个设计的关键取舍在于：把最易变、最需调试的部分（上下文裁剪、RAG 检索、提示工程）放在 VS Code 插件内，把最需稳定、最怕出错的部分（网络通信、密钥管理、限流）抽离为独立服务。这样做的好处是——当 Anthropic 发布新模型（如 claude-3.7），我只需升级 SDK 版本并微调提示模板；当公司要求禁用公网 API，我只需将代理层指向内部部署的 Claude 微服务；当团队需要统一代码规范，我只需修改插件里的system_prompt配置项，无需重装任何客户端。

2.3 为什么拒绝“纯前端直连”？一次血泪教训

去年 11 月，我曾尝试用@anthropic-ai/sdk在插件前端直连 API。表面看省去了代理服务，实则埋下三个致命隐患：

密钥泄露风险：VS Code 插件包本质是 ZIP 文件，node_modules中的 SDK 会明文暴露ANTHROPIC_API_KEY环境变量读取逻辑，任何懂反编译的人都能提取；
跨域拦截：Chrome 内核的 VS Code 在某些企业网络环境下会拦截非https://api.anthropic.com域名的请求，导致整个功能静默失效，排查耗时 3 天；
无缓存能力：对package.json依赖分析这类重复度极高的请求，每次都要走完整网络链路，平均响应达 1.2s，打断编码节奏。

最终我用 4 小时重写了代理层，采用内存 LRU 缓存 + 文件级哈希键（sha256(package.json)作为缓存 key），将此类请求降至 80ms 以内。这个决策不是过度设计，而是从第一天起就为团队规模化使用铺平道路。

3. 核心细节解析：上下文裁剪、RAG 增强与安全防护的实操要点

3.1 上下文裁剪：不是“删减”，而是“精准投喂”

Claude 的上下文窗口虽达 200K token，但盲目塞入全部文件只会稀释关键信息。我的裁剪策略分为三级，按优先级降序执行：

第一级：语义锚点定位（必启用）
插件实时监听光标位置，自动提取：

当前文件中光标所在函数/类的完整定义（含 JSDoc 注释）；
该函数/类直接 import 的模块路径（如import { validateEmail } from '@/utils/validation'）；
若光标在return语句后，则额外包含最近一个if/for/try块的完整上下文（用于理解控制流意图）。

提示：此逻辑通过 VS Code 的DocumentSymbolProviderAPI 实现，比正则匹配可靠 10 倍。我曾用正则解析 TypeScript 类，结果在遇到class A extends B<T, U> {}时因泛型嵌套失败，改用官方 API 后零误判。

第二级：Git 差异感知（推荐启用）
插件读取git diff --name-only HEAD，仅将本次修改涉及的文件纳入上下文。例如你正在修复src/api/user.ts的一个 Bug，即使打开了 20 个标签页，模型也只会看到该文件及它的直接依赖。这使上下文体积平均减少 63%，而关键信息保留率超 98%。

第三级：RAG 动态注入（高级启用）
当检测到用户提问含“为什么用useMemo”“这个正则怎么写”等开放式问题时，触发本地向量检索：

使用sentence-transformers/all-MiniLM-L6-v2对项目docs/目录下的 Markdown 文档做离线 embedding；
将用户问题向量化，检索 Top 3 相关文档片段（如docs/performance-tips.md中关于useMemo的章节）；
将检索结果以<RAG_REF>标签包裹，插入 prompt system message 末尾。

注意：RAG 不是万能药。我测试过将整个README.md强制注入，结果模型因过度关注文档格式而忽略代码逻辑。现在规则是——仅当检索相似度 > 0.72（经 500 次人工标注校准）时才启用。

3.2 安全防护：三道防线守住你的代码资产

模型不会主动作恶，但会无意放大风险。我在代理层部署了三层过滤：

第一道：输入净化

移除用户 prompt 中所有file://、http://、https://URL（防止模型诱导用户访问恶意链接）；
检测curl、wget、ssh等命令字串，若存在则返回固定提示：“检测到潜在系统命令，已屏蔽执行。请描述需求，我将提供安全的替代方案。”

第二道：输出沙箱

对模型返回的代码块，启动临时 Docker 容器（node:18-alpine镜像）执行eslint --no-eslintrc --rule 'no-console: off' --rule 'no-eval: error'，拦截eval()、Function()构造函数等高危语法；
对 Shell 脚本，用shellcheck -f gcc扫描，禁止rm -rf、chmod 777等操作。

第三道：人工确认门禁
所有涉及文件写入的操作（如“帮我重命名这个函数”），插件绝不自动保存。而是生成带行号的 diff 补丁，以 VS Code 的vscode.diff方式打开对比视图，强制用户点击“接受更改”按钮。这个看似繁琐的设计，避免了我团队中两名成员因误信模型建议删除node_modules的事故。

3.3 提示工程：让 Claude “听懂人话”的 5 个硬核技巧

官方文档不会告诉你，Claude 对提示词结构极度敏感。以下是我在 300+ 次 prompt 迭代中验证有效的技巧：

技巧 1：用 XML 标签替代 Markdown
错误写法：

你是一个 TypeScript 专家。请为以下函数添加 JSDoc： function calculateTotal(items: Product[]) { ... }

正确写法：

<role>TypescriptSeniorEngineer</role> <task>AddJSDocToFunction</task> <function> function calculateTotal(items: Product[]) { ... } </function> <output_format>PlainTextWithJSDoc</output_format>

实测 XML 标签使 JSDoc 生成准确率从 68% 提升至 92%，因为 Claude 的训练数据中 XML 结构化提示占比极高。

技巧 2：显式声明“不要做什么”
在 system prompt 末尾固定追加：
<constraint>Never suggest installing new npm packages unless explicitly asked. Never output code that requires external dependencies not already in package.json.</constraint>
这直接杜绝了模型推荐lodash-es而团队实际禁用 Lodash 的冲突。

技巧 3：为不同任务预设温度值（temperature）

代码补全：temperature=0.1（确定性最高）；
技术方案讨论：temperature=0.7（鼓励多角度思考）；
错误日志分析：temperature=0.0（必须逐字匹配错误栈）。
插件根据命令名称自动切换，无需用户干预。

技巧 4：强制分步思考（Chain-of-Thought）
对复杂任务，要求模型先输出<thinking>块：

<thinking> 1. 用户想优化数据库查询，当前 SQL 是 SELECT * FROM users WHERE status = 'active' 2. 全表扫描效率低，需添加 status 索引 3. 但需确认 status 字段选择性是否足够高... </thinking> <answer>在 users 表的 status 字段上创建索引...</answer>

这使复杂问题解决成功率提升 41%，因为模型暴露了推理过程，便于你快速判断逻辑漏洞。

技巧 5：用“角色卡”替代“身份描述”
不写“你是一个资深前端工程师”，而是：

<role_card> - 5 年 React 生产经验，主导过 3 个百万 DAU 应用重构 - 坚持 100% TypeScript 覆盖，拒绝 any 类型 - 熟悉 Webpack/Vite 构建原理，能手写 loader </role_card>

角色卡提供具体行为锚点，比模糊身份描述有效得多。

4. 实操过程：从零搭建可运行的 ClaudeCode 环境（含全部配置文件）

4.1 代理层搭建：10 分钟部署一个生产级 Claude 代理

我们使用轻量级 Node.js 服务，不依赖数据库，所有状态内存化。以下是精简后的核心步骤：

步骤 1：初始化项目

mkdir claude-proxy && cd claude-proxy npm init -y npm install express cors helmet morgan lru-cache @anthropic-ai/sdk npm install -D typescript ts-node @types/express @types/cors

步骤 2：编写主服务（src/server.ts）

import express from 'express'; import cors from 'cors'; import helmet from 'helmet'; import morgan from 'morgan'; import { Anthropic } from '@anthropic-ai/sdk'; import LRU from 'lru-cache'; // 1. 初始化缓存：key 为 prompt 的 SHA256，value 为 { content, timestamp } const cache = new LRU<string, { content: string; timestamp: number }>({ max: 500, ttl: 1000 * 60 * 60, // 1小时 }); // 2. 创建 Anthropic 客户端（从环境变量读取 KEY） const anthropic = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY || '', }); // 3. 创建 Express 应用 const app = express(); app.use(helmet()); // 安全头 app.use(cors({ origin: 'http://localhost:5173' })); // 仅允许本地 VS Code app.use(morgan('combined')); app.use(express.json({ limit: '10mb' })); // 4. 核心路由：/v1/messages app.post('/v1/messages', async (req, res) => { try { const { model, messages, max_tokens, temperature } = req.body; // 5. 生成缓存 key：对 messages 数组做深哈希（简化版） const cacheKey = require('crypto') .createHash('sha256') .update(JSON.stringify(messages)) .digest('hex'); // 6. 尝试读缓存 const cached = cache.get(cacheKey); if (cached && Date.now() - cached.timestamp < 300000) { // 5分钟内 return res.json({ content: cached.content }); } // 7. 调用 Anthropic API const response = await anthropic.messages.create({ model, messages, max_tokens, temperature, system: "You are ClaudeCode, a senior software engineer assistant. Respond only with code or plain text. Never output markdown formatting." }); const content = response.content[0].text; // 8. 写入缓存 cache.set(cacheKey, { content, timestamp: Date.now() }); res.json({ content }); } catch (error) { console.error('Anthropic API Error:', error); res.status(500).json({ error: 'API call failed' }); } }); app.listen(3000, () => { console.log('Claude Proxy Server running on http://localhost:3000'); });

步骤 3：配置与启动
创建.env文件：

ANTHROPIC_API_KEY=your_actual_api_key_here NODE_ENV=production PORT=3000

启动命令：

npx ts-node src/server.ts

实操心得：首次运行时，务必用curl手动测试：
curl -X POST http://localhost:3000/v1/messages \ -H "Content-Type: application/json" \ -d '{"model":"claude-3-haiku-20240307","messages":[{"role":"user","content":"Hello"}],"max_tokens":100}'
确保返回{"content":"Hello! How can I help you today?"}。这一步验证了密钥、网络、SDK 全部正常，避免后续在 VS Code 中排查时陷入“是插件问题还是代理问题”的死循环。

4.2 编排层配置：VS Code 插件的 7 个关键 setting.json 项

插件claude-code-core的配置全部通过 VS Code 的settings.json管理。以下是生产环境稳定使用的 7 项核心配置（路径：Cmd/Ctrl + ,→ 打开 settings.json）：

{ "claudeCode.proxyUrl": "http://localhost:3000/v1/messages", "claudeCode.defaultModel": "claude-3-haiku-20240307", "claudeCode.contextStrategy": "git-diff-aware", "claudeCode.ragEnabled": true, "claudeCode.ragDocsPath": "${workspaceFolder}/docs", "claudeCode.safetyFilter": "strict", "claudeCode.autoSaveDiff": false }

逐项说明：

"proxyUrl"：必须与代理层地址完全一致，注意末尾/v1/messages不可省略；
"defaultModel"：Haiku 模型响应最快（平均 320ms），适合日常补全；Sonnet 用于复杂重构；Opus 留作疑难杂症攻坚；
"contextStrategy"：git-diff-aware是我团队共识的默认策略，semantic-anchor用于单文件深度调试；
"ragDocsPath"：${workspaceFolder}是 VS Code 变量，确保路径动态适配每个项目；
"safetyFilter"：strict模式启用全部三层防护，relaxed仅启用输入净化（测试环境用）；
"autoSaveDiff"：false是强制要求，所有写入必须人工确认。

注意：插件不提供 GUI 设置界面，所有配置必须手动编辑 JSON。这是刻意为之——GUI 设置容易被误点，而 JSON 配置可提交 Git，保证团队环境一致性。我见过太多团队因一人误开“自动保存”导致线上配置被覆盖的事故。

4.3 执行层调用：5 个高频命令的完整工作流演示

插件注册了 5 个核心命令，全部通过 VS Code 命令面板（Cmd/Ctrl + Shift + P）触发。以下是每个命令的完整执行链路：

命令 1：ClaudeCode: Explain Selection（解释选中代码）

你选中一段加密逻辑：crypto.subtle.digest('SHA-256', encoder.encode(data))；
触发命令后，插件：
1. 提取选中文本 + 当前文件路径 +package.json中webcrypto相关依赖；
2. 调用代理层，发送 prompt：<role>WebCryptoExpert</role><code>${selected}</code><task>ExplainHowItWorks</task>；
3. 将响应渲染为 Markdown 预览面板，支持复制、关闭；
实测效果：比直接问 ChatGPT 准确率高 55%，因为上下文精准锁定了 Web Crypto API 环境。

命令 2：ClaudeCode: Generate Test（为当前函数生成单元测试）

光标位于calculateTotal()函数内；
插件自动识别函数签名、参数类型、返回类型，并检索jest.config.js配置；
生成的测试代码严格遵循项目约定：使用describe/it块、mock 外部依赖、覆盖边界条件；
输出为可编辑的.test.ts文件，而非直接插入，避免污染源码。

命令 3：ClaudeCode: Refactor Code（重构当前代码块）

选中一段嵌套if-else的权限校验逻辑；
插件调用 RAG 检索docs/architecture-rules.md中的“策略模式”章节；
返回的重构建议包含：
- 新增PermissionStrategy接口定义；
- 为每个权限类型实现具体策略类；
- 修改原函数为策略工厂调用；
- 附带迁移步骤清单（共 4 步）。

命令 4：ClaudeCode: Fix Error（修复当前错误）

当终端报错TypeError: Cannot read property 'length' of undefined；
插件自动捕获 VS Code 集成终端的最后一屏输出；
结合当前打开的文件、光标位置、Git 差异，生成精准诊断：
“错误发生在src/utils/data-parser.ts第 42 行，items参数未做空值检查。建议在函数开头添加if (!items || !Array.isArray(items)) return []。”

命令 5：ClaudeCode: Document Function（为函数生成文档）

光标在函数名上；
插件提取函数体、JSDoc（若有）、调用示例（从__tests__/中抽取）；
生成符合 TSDoc 标准的注释，包含@param、@returns、@example，并自动插入到函数上方。

5. 常见问题与排查技巧实录：那些官方文档绝不会告诉你的坑

5.1 问题速查表：高频故障现象与 5 分钟解决方案

现象	可能原因	快速诊断命令	解决方案
命令面板中看不到 ClaudeCode 命令	插件未启用或依赖缺失	`Developer: Toggle Developer Tools`→ 查看 Console 是否有`Extension activation failed`报错	1. 确认插件已启用（右下角状态栏有 Claude 图标）；2. 运行`Developer: Reinstall Extension`；3. 检查`~/.vscode/extensions/`下插件文件夹是否存在`package.json`
点击命令后无响应，控制台报`ERR_CONNECTION_REFUSED`	代理层未运行或端口被占用	`lsof -i :3000`（macOS/Linux）或`netstat -ano \| findstr :3000`（Windows）	1. 启动代理层：`cd claude-proxy && npx ts-node src/server.ts`；2. 若端口被占，修改`src/server.ts`中`app.listen(3001)`并同步更新`settings.json`的`proxyUrl`
模型返回“我无法访问您的文件系统”	插件配置了错误的上下文策略	在命令面板运行`ClaudeCode: Debug Context`	查看输出的上下文 JSON，确认`files`数组是否为空。若为空，检查`contextStrategy`是否设为`git-diff-aware`但当前分支未提交任何变更（Git 差异为空）
生成的代码中出现`// TODO: implement this`	模型 token 用尽或提示词截断	在`settings.json`中增加`"claudeCode.maxTokens": 4096`	Haiku 模型默认 4096 token，复杂任务需提高至 8192；同时检查 prompt 是否因过长被代理层截断（查看代理层日志）
RAG 检索返回无关文档	文档 embedding 未更新或相似度阈值过低	运行`ClaudeCode: Rebuild RAG Index`	此命令会重新扫描`ragDocsPath`目录，用最新`all-MiniLM-L6-v2`模型生成 embedding。注意：首次运行需 2-3 分钟，期间插件不可用

5.2 独家避坑技巧：来自 200+ 小时实战的 3 条铁律

铁律 1：永远不要在.env文件中写死 API Key
我曾因在团队共享的.env.example中误留ANTHROPIC_API_KEY=xxx，导致新成员克隆项目后直接触发 API 配额超限。正确做法：

在项目根目录创建.env.local（已加入.gitignore）；
在claude-proxy/src/server.ts中，用dotenv.config({ path: '.env.local' })加载；
启动脚本改为npm run start:local，内含cp .env.local.example .env.local && node dist/server.js。

铁律 2：为每个项目单独配置ragDocsPath，绝不复用全局文档库
曾有一个微服务项目，开发者将公司所有技术规范文档都放入docs/，结果模型在回答“如何写 Kafka 消费者”时，优先检索到过时的 2021 年旧规范，而非当前项目docs/kafka-best-practices.md。现在规则是：ragDocsPath必须指向项目级文档，且文档命名需含版本号（如kafka-v2.md）。

铁律 3：定期清理代理层缓存，避免“幻觉继承”
缓存机制虽快，但存在副作用：若某次请求中模型错误地将useState解释为useReducer，该错误答案会被缓存。我设置了每日凌晨 2 点的 cron 任务：

# crontab -e 0 2 * * * cd /path/to/claude-proxy && rm -f ./cache.db && npm run build

同时在代理层代码中加入缓存健康检查：当连续 5 次命中同一 key 且响应含TODO字样时，自动标记该 key 为“可疑”，下次请求绕过缓存。

5.3 性能调优实录：从 2.1s 到 320ms 的 7 次迭代

初始版本中，一个简单“解释函数”请求平均耗时 2.1 秒，用户反馈“比手动查文档还慢”。我通过 Chrome DevTools 的 Network 面板逐层分析，发现瓶颈分布：

环节	耗时	优化措施	优化后耗时
VS Code 插件序列化上下文	420ms	改用`structuredClone()`替代`JSON.stringify()`	85ms
代理层读取`package.json`	310ms	改为内存缓存（启动时加载，文件变更时 fs.watch 触发更新）	12ms
Anthropic API 网络传输	1100ms	启用 HTTP/2 + gzip 压缩，代理层添加`Accept-Encoding: gzip`	780ms
模型推理（Haiku）	220ms	无法优化，但可降低`max_tokens`从 2048→512（解释类任务够用）	180ms
插件渲染 Markdown	60ms	预编译 Markdown 渲染器，复用 DOM 节点	15ms

最终稳定在 320ms（P95），用户感知为“瞬时响应”。这印证了一个朴素真理：AI 编程工具的体验，70% 取决于工程优化，而非模型本身。

6. 进阶扩展：如何将 ClaudeCode 与现有工程体系无缝融合

6.1 与 CI/CD 流水线集成：让 Claude 成为“永不疲倦的代码审查员”

我们已将 ClaudeCode 的部分能力注入 GitHub Actions，作为 PR 检查环节。关键不是让它“批准 PR”，而是做三件事：

1. 自动化文档完整性检查
当 PR 修改了src/api/下的函数，CI 脚本会：

提取所有新增/修改的函数签名；
调用本地运行的 ClaudeCode 代理，发送 prompt：“检查以下函数是否都有 JSDoc，缺失的列出函数名”；
若返回缺失列表，则检查失败，PR 无法合并。

2. 技术债识别
对TODO、FIXME注释，ClaudeCode 分析其上下文，判断是否属于高风险债务：

// TODO: replace with proper auth→ 高风险（安全相关）；
// FIXME: temp fix for IE11→ 低风险（兼容性，可延期）。
结果以 GitHub Check Run 形式展示，团队可按风险等级排序处理。

3. 变更影响分析
当修改src/utils/date-format.ts，ClaudeCode 检索 Git 历史，找出过去 30 天内调用该文件的所有模块，生成影响报告：

“本次修改影响 12 个组件，重点关注UserProfileCard（调用频率最高）和ReportExportModal（含复杂时区逻辑）”。

实操心得：CI 集成必须用anthropic-sdk直连，而非通过 VS Code 插件。因为插件依赖编辑器 UI 环境，而 CI 是纯 CLI 环境。我们封装了一个claude-ci-cli工具，所有逻辑复用代理层代码，仅输入输出适配 CLI。

6.2 与内部知识库打通：让 Claude 真正“懂你公司的代码”

很多团队有 Confluence 或 Notion 知识库，但模型无法直接访问。我们的解法是：

每日凌晨 2 点，运行同步脚本：

# 从 Confluence 导出所有“前端规范”空间的页面为 Markdown npx confluence-exporter --space "FE-GUIDE" --output ./docs/internal/ # 用 `all-MiniLM-L6-v2` 为新 Markdown 生成 embedding，追加到 RAG 向量库 python3 scripts/update-rag.py --docs ./docs/internal/ --vector-db ./rag/db