给 Cline 接一个远程 RAG：从 Flask 检索服务到 VS Code 扩展改造

Cline 是 VS Code 里常用的 AI 编程助手。默认情况下，用户每次要一个”推箱子""连连看”这类常见小游戏，大模型都会从头生成一遍代码——慢、贵、而且每次结果不一样。

这个项目的目标是：给 Cline 接一个远程 RAG 检索服务，把团队沉淀的可运行代码存进向量库。当用户请求命中库里的代码时，直接返回现成的完整文件，跳过大模型的生成流程；没命中时再走原来的对话生成。

整体分成两部分：一个独立部署的 RAG 检索服务，和对 Cline 扩展本身的改造。

一、RAG 检索服务（Flask + FAISS）#

服务端只做三件事：接收文本入库、生成向量索引、按相似度检索。技术选型是 sentence-transformers 做 embedding、FAISS 做向量索引、Flask 提供 HTTP 接口：

1
pip install flask sentence-transformers faiss-cpu waitress numpy

核心服务 app.py：

1
from flask import Flask, request, jsonify
2
from sentence_transformers import SentenceTransformer
3
import faiss
4
import numpy as np
5
import pickle
6
import os
7

8
app = Flask(__name__)
9

10
model = None
11
index = None
12
texts = []
13

14
def load_model():
15
    global model
16
    model = SentenceTransformer('all-MiniLM-L6-v2')
17

18
def create_or_load_index():
19
    global index, texts
20
    if os.path.exists("faiss_index.bin") and os.path.exists("texts.pkl"):
21
        index = faiss.read_index("faiss_index.bin")
22
        with open("texts.pkl", 'rb') as f:
23
            texts = pickle.load(f)
24
    else:
25
        dim = model.get_sentence_embedding_dimension()
26
        index = faiss.IndexFlatIP(dim)  # 内积近似余弦相似度
27
        texts = []
28

29
def save_index():
30
    faiss.write_index(index, "faiss_index.bin")
31
    with open("texts.pkl", 'wb') as f:
32
        pickle.dump(texts, f)
33

34
@app.route('/health', methods=['GET'])
35
def health():
36
    return jsonify({"status": "healthy", "total_vectors": index.ntotal})
37

38
@app.route('/add', methods=['POST'])
39
def add_text():
40
    data = request.get_json()
41
    text = data.get('text', '')
42
    if not text.strip():
43
        return jsonify({"error": "Empty text"}), 400
44
    embedding = model.encode([text])
45
    index.add(embedding)
46
    texts.append(text)
47
    save_index()
48
    return jsonify({"status": "success", "total_vectors": index.ntotal})
49

50
@app.route('/search', methods=['POST'])
51
def search():
52
    data = request.get_json()
53
    query = data.get('text', '')
54
    k = data.get('k', 5)
55
    if index.ntotal == 0:
56
        return jsonify({"results": []})
57
    query_embedding = model.encode([query])
58
    scores, indices = index.search(query_embedding, min(k, index.ntotal))
59
    results = []
60
    for score, idx in zip(scores[0], indices[0]):
61
        if idx < len(texts):
62
            results.append({
63
                "index": int(idx),
64
                "text": texts[idx],
65
                "distance": float(score)
66
            })
67
    return jsonify({"results": results})
68

69
if __name__ == '__main__':
70
    load_model()
71
    create_or_load_index()
72
    app.run(host='0.0.0.0', port=5050, debug=True)

生产环境用 waitress（Windows）或 gunicorn（Linux）跑：

1
# Windows
2
waitress-serve --listen=0.0.0.0:5050 app:app
3
# Linux
4
gunicorn -w 4 -b 0.0.0.0:5050 app:app

二、代码入库：带关键词前缀的上传策略#

直接把整个 HTML 文件存进向量库，检索时”推箱子”这种短查询很难和几千行代码算出高相似度。所以入库时给每份代码拼一个关键词前缀，把游戏名、别名、技术栈都写进去：

1
$content = Get-Content -Path "lianliankan.html" -Raw -Encoding UTF8
2
$payload = @{
3
    text = "[FORCE_ANSWER] 连连看 完整游戏代码 HTML CSS JavaScript 可直接运行的连连看游戏文件 $content"
4
} | ConvertTo-Json -Compress
5

6
Invoke-RestMethod -Method Post -Uri "http://localhost:5050/add" `
7
    -ContentType "application/json; charset=utf-8" -Body $payload

前缀里的 [FORCE_ANSWER] 是一个约定标记，后面 Cline 端会用到。

三、改造 Cline 扩展#

Cline 端的改造集中在三处：

1. 新增设置项。 在扩展配置里加了开关和服务地址，用户在 VS Code 设置里就能启用：

1
{
2
    "cline.rag.enabled": true,
3
    "cline.rag.remoteUrl": "http://localhost:5050"
4
}

2. 请求拦截。 在任务入口（newTask.ts）里对用户输入先做一次 RAG 检索。为了避免所有请求都被拦截，用一个关键词正则做门禁，只有明确命中已入库的游戏名才走 RAG 通道：

1
const isForceQuery = /推箱子|sokoban|连连看|lianliankan|俄罗斯方块|贪吃蛇/i.test(query)

3. 强制完成短路。 当检索结果带有 [FORCE_ANSWER] 标记时，直接构造 completion_result 发给用户——跳过计划（Plan）和对话流程，用户一按 Act 立刻拿到完整可运行的代码文件。

改造完成后写了个冒烟测试脚本验证链路，从添加向量到三组查询全部通过：

四、实际效果#

在 Cline 里输入”推箱子”，检索命中后直接返回完整代码并在工作区创建文件，输出面板里能看到 RAG primary hits 和 FORCE_ANSWER hit → short-circuit output 的日志：

命中返回代码之后，上下文并没有断——用户可以继续对话，让模型在现成代码的基础上改需求：

通过本地代理观察请求流，可以看到 Cline 侧的健康检查和检索请求都正常打到了 RAG 服务：

五、一个踩坑：风格标签的命中优先级#

后来给同一个游戏加了多种风格版本（比如”科技风推箱子”），入库时打上风格标签。结果发现一个 bug：第一次检索只要有结果，代码就直接用了第一条，没有校验结果是否包含正确的风格标签——请求”科技风推箱子”可能返回默认风格的版本。

修复方式是在命中后增加一层标签校验，风格不匹配时继续往后找。修复后请求”科技风推箱子”能准确返回对应版本：

六、生产部署#

RAG 服务用 Docker 打包：

1
FROM python:3.11-slim
2

3
WORKDIR /app
4
COPY requirements.txt .
5
RUN pip install -r requirements.txt
6

7
COPY app.py .
8
EXPOSE 5050
9

10
CMD ["waitress-serve", "--listen=0.0.0.0:5050", "app:app"]

对外通过 Nginx 反向代理暴露：

1
server {
2
    listen 80;
3
    server_name your-domain.com;
4

5
    location / {
6
        proxy_pass http://localhost:5050;
7
        proxy_set_header Host $host;
8
        proxy_set_header X-Real-IP $remote_addr;
9
    }
10
}

总结#

这套方案的核心思路是**“确定性资产走检索，开放性需求走生成”**：高频、标准化的代码交付用 RAG 直接命中返回，秒级完成且结果稳定；模型的生成能力留给真正需要创造的场景。整个链路涉及向量检索服务搭建、VS Code 扩展二次开发、请求短路设计和检索质量修复，是一次比较完整的 RAG 工程落地。