Cómo dar a Claude Memoria a Largo Plazo de tus archivos locales No se requiere Docker
El problema habitual al intentar usar RAG retrieval augmented generation con una carpeta de PDFs es que se convierte en una arquitectura de sistemas distribuida por culpa del consejo estándar Spin up un Docker, bases de vectores, APIs y scripts de ingestión cuando en realidad lo que uno quiere es simplemente buscar semánticamente dentro de sus archivos.
La solución que evita todo ese bloat es local-faiss-mcp un cliente CLI que funciona 100 por ciento en local. No necesita Docker ni claves externas. Usa embeddings locales all-MiniLM-L6-v2 y FAISS en tu CPU y se conecta de forma nativa a Claude Desktop como MCP.
Paso 1 Consigue datos reales Para probar un sistema RAG hace falta material concreto. Por ejemplo descarga el informe Preliminary Assessment on Unidentified Aerial Phenomena de ODNI y crea una carpeta mkdir ~/ufo_docs Si quieres añadir caos coloca también el CIA Simple Sabotage Manual.
Paso 2 Instala la herramienta Es un paquete Python estándar pip install local-faiss-mcp
Paso 3 Indexa los documentos Ejecuta el CLI para indexar recursivamente local-faiss index ~/ufo_docs/**/*.pdf Veras una barra de progreso mientras lee los PDFs con pypdf segmenta el texto en chunks calcula embeddings en CPU y guarda un archivo .index en disco. En unos minutos tendras tu base de datos vectorial local.
Paso 4 Conecta con Claude Abre el archivo de configuracion de Claude Desktop en Mac ~/Library/Application Support/Claude/claude_desktop_config.json o en Windows %APPDATA%\Claude\claude_desktop_config.json Añade un mcpServers entry llamado local-faiss que ejecute el comando local-faiss-mcp con argumentos por ejemplo --index-dir ~/ufo_docs Reinicia Claude y veras el icono de enchufe indicando que las herramientas ingest_document y query_rag_store estan disponibles.
Paso 5 Haz preguntas Ahora abre Claude y formula preguntas basadas en tus archivos locales por ejemplo Using your local faiss knowledge does the Pentagons refusal to answer questions in the UAP Hearing count as General Interference with Organizations Claude llamara a query_rag_store el CLI buscara en FAISS y devolvera los mejores chunks y Claude sintetizara la respuesta con citas.
Avanzado Re ranking Si tu conjunto de datos es muy grande la busqueda vectorial puede ser borrosa y confundir proyectos similares Para eso en la version 0.2.0 se añadio reranking que usa un segundo modelo CrossEncoder para reevaluar resultados antes de entregarlos a Claude Para activarlo añade --rerank a los argumentos del comando y aumentaras la precision ejecutandolo todo en tu portatil
Resumen No hace falta Kubernetes para consultarle a un PDF solo un buen CLI y unos pasos simples. Si pruebas local-faiss-mcp con tus propios documentos o con los archivos UFO comenta como te funciona el re ranking Repo github.com/nonatofabio/local_faiss_mcp
Sobre Q2BSTUDIO Somos Q2BSTUDIO una empresa de desarrollo de software y aplicaciones a medida especializada en software a medida, inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Ofrecemos soluciones integrales desde el desarrollo de producto hasta la puesta en marcha de agentes IA y proyectos de ia para empresas, pasando por servicios de inteligencia de negocio y power bi. Si necesitas un proyecto concreto de aplicaciones a medida conoce nuestro trabajo en desarrollo de software a medida y si buscas potenciar tus procesos con modelos y arquitecturas conversacionales visita nuestros servicios de inteligencia artificial. También prestamos servicios de ciberseguridad y pentesting, automatizacion de procesos, y soluciones de Business Intelligence y Power BI para que tus datos trabajen para tu negocio.
Palabras clave aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi
