Quivr翻译站点

Quivr 是 QuivrHQ 团队开源的“第二大脑”式 RAG 平台，Apache-2.0 许可。它把文档摄入、分块、嵌入、检索、生成封装在 “Brain”（知识大脑）抽象背后，开发者 5 行 Python 代码即可创建可查询知识库 。

官方明确定位：”an open-source full-stack Retrieval-Augmented Generation (RAG) platform… to create powerful RAG applications effortlessly” ，同时核心库 quivr-core 是 “an open-source Python library for adding retrieval-augmented generation to any application” 。核心能力：Opinionated RAG（开箱即用默认配置）、任意 LLM（OpenAI/Anthropic/Mistral/Gemma/Groq/Llama 等）、任意文件（PDF/TXT/Markdown/Word/Excel/PowerPoint/Audio/Video）、Megaparse 集成解析复杂格式、可定制（加联网搜索、加工具）。

它是 RAG 分类中“第二大脑式 / 开发者友好型 RAG 框架”的代表作，与 FastGPT（企业级 Agent 构建平台）、RAGFlow（深度文档解析引擎）、R2R（生产级 RAG API 引擎）、Onyx Cloud（企业搜索 AI 平台）、PrivateGPT（隐私离线文档 RAG）、PaperQA2（科研文献高精度 RAG）形成清晰的差异化。

 

产品概述

Quivr 由 Stan Girard 等人在 2023 年 5 月发起，初衷是个人”第二大脑”工具——”Think of it as Obsidian, but turbocharged with AI capabilities” 。项目启动数日在 GitHub 病毒式传播，随后演化为 YC W24 团队 QuivrHQ 的主导项目 。

 

当前产品矩阵（QuivrHQ 套件） ：

• Quivr：核心 RAG 引擎，facilitates seamless retrieval and generation of information
• Megaparse：开源文档摄入工具，efficient data parsing and preprocessing（7.4K Stars）
• Le Juge：RAG 应用评估框架，assess and improve the performance

 

核心定位哲学：

官方文档开宗明义——”Quivr, helps you build your second brain, utilizes the power of GenerativeAI to be your personal assistant” ，设计哲学是 “Opiniated RAG: We created a RAG that is opinionated, fast and efficient so you can focus on your product” 。

什么是 “Opinionated RAG”？技术文章精准概括：”LangChain is modular and requires you to wire together components manually. Quivr is opinionated and provides sensible defaults for the entire pipeline. Quivr gets you running faster; LangChain gives you more control” ——Quivr 刻意不做”无限可配置”，而是提供 sensibly default 的整套 RAG 流水线（分块策略、嵌入模型、检索方法），让开发者 5 行代码跑通，而非花几天搭脚手架 。

 

“Brain”抽象：

Quivr 的核心概念是 Brain——每个 Brain 是一个独立的知识库/AI 助手 。Brain 可以：

• 连接特定数据源（让用户直接与数据交互）
• 作为特定用例的专用工具（由 RAG 技术驱动，处理特定输入生成实用输出如摘要、翻译等）

 

它做什么 / 不做什么（关键归类）：

• ✅ 做：作为 Python 库或全栈平台运行 → 接收文件/URL → Megaparse 解析 → 分块/嵌入/存入向量库 → 接收查询 → 混合检索+重排 → LLM 生成带引用的答案 → 返回
• ❌ 不做：不做深度文档解析优化（这是 RAGFlow 的能力）、不做企业搜索 40+ 连接器（这是 Onyx Cloud 的能力）、不做 Agentic 工作流可视化编排（这是 FastGPT 的能力）、不面向超人级科研文献问答（这是 PaperQA2 的能力）
• 本质是”第二大脑式”RAG 平台：它是 RAG 分类中唯一以”Brain 抽象 + Opinionated 默认配置”为核心特色的开发者友好框架——LangChain/LlamaIndex 是”乐高积木”（灵活但需自己拼），Quivr 是”开箱即用套装”（5 行代码跑通）。

 

技术架构​ ：

• 核心库：quivr-core（Python），pip install quivr-core
• LLM 支持：OpenAI、Anthropic Claude、Mistral、Groq、Gemma、Llama（通过 Ollama）、任意 OpenAI 兼容端点
• 向量库支持：PGVector（PostgreSQL）、Faiss（本地）、ChromaDB，开箱即用
• 文件解析：Megaparse 集成，处理 PDF/DOCX/PPTX 等复杂格式
• 全栈平台：Docker Compose 部署，前端 + Supabase（PostgreSQL + Auth + Storage）+ 后端 API
• 部署形态：
  • quivr-core 库：pip install quivr-core，嵌入到现有 Python 应用
  • Quivr 全栈平台：git clone + docker compose up，自带 Web UI（localhost:3000）与 Supabase 后端
  • quivr.app 托管 SaaS：免安装 Web 界面，freemium 积分制
• 文件格式：Text、Markdown、PDF、PowerPoint、Excel、CSV、Word、Audio、Video
• 环境要求：Python 3.10+

 

许可策略：Apache-2.0 许可证 ，允许商用、修改、分发，明确包含专利授权条款，与 PaperQA2 同属最干净许可阵营。

💡 与同层 RAG 项目的关键差异：

• vs FastGPT：FastGPT 是”企业级 Agent 构建平台”，可视化工作流编排+知识库 RAG，面向业务用户；Quivr 是”开发者友好的 Opinionated RAG 框架”，5 行代码集成，面向开发者
• vs RAGFlow：RAGFlow 是”深度文档理解引擎”，擅长复杂文档精准解析；Quivr 是通用 RAG 框架，文档解析依赖 Megaparse 集成
• vs R2R：R2R 是”生产级 RAG API 引擎”，RESTful API 优先，PostgreSQL/pgvector 单一后端；Quivr 是”第二大脑式 RAG 平台”，Brain 抽象 + Opinionated 默认配置
• vs Onyx Cloud：Onyx Cloud 是”企业搜索 AI 平台”，40+ 连接器；Quivr 是开发者框架/平台，连接器需自行集成
• vs PrivateGPT：PrivateGPT 是”隐私优先离线文档 RAG”；Quivr 支持 Ollama 本地模型但默认依赖外部 API
• vs PaperQA2：PaperQA2 是科研文献垂直高精度 RAG 库；Quivr 是通用”第二大脑”RAG 框架
• vs LangChain/LlamaIndex：它们是模块化框架（需自己拼装）；Quivr 是 Opinionated 框架（默认配置开箱即用）

 

核心能力

 

-Brain 抽象（核心差异化）

• 知识大脑：每个 Brain 是一个独立的知识库/专用 AI 助手
• 5 行代码创建：Brain.from_files(name=..., file_paths=[...]) 即可
• 数据源连接：Brain 可连接特定数据源，让用户直接与数据交互
• 专用工具：Brain 可作为特定用例的专用工具（摘要、翻译等）
• 公共/私有：可通过公共链接分享 Brain，或保持私有
• Marketplace：分享 Brain 到市场，或使用他人的 Brain

 

-Opinionated RAG

• 开箱即用默认配置：分块策略、嵌入模型、检索方法均有 sensibly default
• 快速集成：5 行 Python 代码跑通 RAG 流水线
• 专注产品：开发者聚焦产品逻辑而非 RAG 管道细节

 

-任意 LLM 支持

• 云端模型：OpenAI（GPT-4 等）、Anthropic Claude、Mistral、Groq、Gemma
• 本地模型：通过 Ollama 运行 Llama 等本地模型
• OpenAI 兼容：任意遵循 OpenAI 规范的 API

 

-任意文件格式

• 文档类：PDF、TXT、Markdown、Word、Excel、PowerPoint、CSV
• 媒体类：Audio、Video
• 自定义解析器：可添加自己的解析器
• Megaparse 集成：复杂格式（PDF/DOCX/PPTX）优化解析，7.4K Stars 配套库

 

-可定制 RAG

• 添加联网搜索：可集成互联网搜索能力
• 添加工具：可扩展工具调用
• YAML 工作流：通过 YAML 文件定义检索/重排/生成流程
• 重排器支持：支持 Cohere 多语言重排器等

 

-向量库后端

• PGVector：PostgreSQL 向量扩展
• Faiss：本地向量库
• ChromaDB：开箱即用

 

-三种部署形态

• quivr-core 库：pip install quivr-core，嵌入现有 Python 应用
• Quivr 全栈平台：Docker Compose 一键部署，自带 Web UI + Supabase
• quivr.app SaaS：免安装托管版本，freemium 积分制

 

-全栈平台特性

• 多租户：内置用户管理，团队工作空间隔离
• 20+ 文件类型：PDF/PowerPoint/Excel/Audio/YouTube URL 等直接上传
• Docker Compose 一键部署：分钟级启动
• 多平台集成：可连接 Gmail/Notion/Slack/GitHub 同步内容

 

优势亮点

• Apache-2.0 最干净许可：与 PaperQA2 同属最宽松许可阵营，含专利授权，商用友好
• “第二大脑”独特定位：Brain 抽象让”知识库即 AI 助手”变得直观，是个人知识管理的自然选择
• Opinionated 默认配置：5 行代码跑通 RAG，相比 LangChain/LlamaIndex 的模块化拼装大幅提速
• 39.4K GitHub Stars：RAG 框架中社区认知度最高之一，仅次于 Dify
• 三种部署形态：Python 库 / 全栈 Docker / 托管 SaaS，覆盖开发者到业务用户
• 任意 LLM + 任意向量库：OpenAI/Anthropic/Mistral/Groq/Llama + PGVector/Faiss/ChromaDB 全支持
• Megaparse 配套：复杂文档格式解析优化，7.4K Stars 的成熟解析库
• 全栈平台多租户：内置用户管理、团队工作空间、20+ 文件类型、Docker Compose 一键部署
• YC W24 团队背书：QuivrHQ 是 Y Combinator W24 批次，商业可持续性较强
• 配套评估框架：Le Juge 提供 RAG 应用性能评估
• 可定制性强：YAML 工作流定义检索/重排/生成，支持 Cohere 重排器等

 

局限

• 自己不执行推理：Quivr 是 RAG 框架，需要外部 LLM API Key 或本地 Ollama
• 深度文档解析不及 RAGFlow：Opinionated 默认配置对通用文档效果好，但复杂布局 PDF 分块可能不理想，需预处理 OCR
• 复杂多文档推理不一致：评测指出”RAG quality for complex, multi-document reasoning tasks can be inconsistent”
• 自托管运维负担：全栈平台需要管理 Supabase（PostgreSQL + pgvector），增加运维复杂度
• 默认需 API Key：默认嵌入模型需 API Key，完全离线需额外配置本地嵌入模型 + Ollama
• 小于 100 文档的小语料不适用：小语料直接放进上下文更简单，RAG 反而增加延迟
• 实时场景不适用：RAG 检索有延迟，亚 100ms 响应场景不适合
• 可视化工作流不及 FastGPT：Quivr 是框架/平台，不具备 FastGPT 那样的业务级 Agent 工作流编排器
• 企业搜索连接器不及 Onyx Cloud：Quivr 需自行集成数据源连接器
• 云版本成本：quivr.app 免费层 25 条消息额度，GPT-4 单次对话可能耗尽免费额度
• 与 LangChain/LlamaIndex 比定制性弱：Opinionated 设计在降低配置成本的同时，也限制了高度专业化场景的灵活性

 

适用人群

• 个人知识管理爱好者：构建”第二大脑”，将 PDF/笔记/网页转化为可交互知识库
• 开发者快速集成 RAG：不想自己拼装 RAG 流水线，5 行代码嵌入现有 Python 应用
• 团队知识库问答：多租户工作空间，共享 Brain 让团队成员查询公司文档
• 企业内部知识助手：HR 聊天机器人、员工手册问答、项目文档检索
• 客户支持 Bot：基于产品手册训练 AI 客服代理
• 教育工具：课程材料摘要、学习资料问答
• AI 应用创业者：快速搭建 MVP，quivr.app 免费层零成本启动
• 多数据源统一查询：连接 Gmail/Notion/Slack/GitHub，单一聊天界面跨平台查询

 

安装与部署

 

1. 环境要求

• Python 3.10+
• 外部 LLM API Key（OpenAI/Anthropic 等）或本地 Ollama
• 全栈平台部署：Docker + Docker Compose

 

2. quivr-core 库快速集成（5 行代码）

# 安装
pip install quivr-core

# 5 行代码创建知识大脑
import tempfile
from quivr_core import Brain

with tempfile.NamedTemporaryFile(mode="w", suffix=".txt") as temp_file:
    temp_file.write("Gold is a liquid of blue-like colour.")
    temp_file.flush()
    
    brain = Brain.from_files(
        name="test_brain",
        file_paths=[temp_file.name],
    )
    
    answer = brain.ask("what is gold? answer in french")
    print("answer:", answer)

 

3. Quivr 全栈平台部署（Docker Compose）

# 克隆仓库
git clone https://github.com/QuivrHQ/quivr && cd Quivr

# 配置环境变量
cp .env.example .env
vim .env  # 设置 OPENAI_API_KEY 等

# 启动（使用 OpenAI）
docker compose up --build

# 或使用 Ollama 本地模型
# 先启动 Ollama: ollama run llama2
# 取消 .env 中 OLLAMA_API_BASE_URL 注释
docker compose -f docker-compose-ollama.yml up --build

# 访问 Web UI: http://localhost:3000
# Supabase 管理: http://localhost:8000 (admin/admin 登录)

 

4. 创建 Brain 并提问（Python 库）

from quivr_core import Brain

# 从文件创建 Brain
brain = Brain.from_files(
    name="my_knowledge_base",
    file_paths=["./report.pdf", "./notes.md"]
)

# 提问并获取答案与来源
answer = brain.ask("What were the key findings?")
print(answer.answer)
print(answer.sources)  # 显示使用的文档来源

 

5. YAML 工作流配置

# 通过 YAML 定义检索/重排/生成流程
# 支持配置：检索器、重排器（如 Cohere 多语言重排器）、LLM 等

 

6. quivr.app 托管 SaaS（零安装）

# 1. 访问 https://quivr.app
# 2. 使用 Google 账号注册（< 5 秒）
# 3. 创建 Brain，上传文档或添加 URL
# 4. 开始提问
# 免费层：25 条消息额度（GPT-3.5 消耗 1 credit/消息，GPT-4 消耗 20 credits/消息）

 

7. 部署前必检清单

• 确认仓库位于 github.com/QuivrHQ/quivr（官方）
• 许可：Apache-2.0 ，商用友好，含专利授权
• 严格属于 RAG 分类，“第二大脑式 / Opinionated RAG 框架”子类
• 官方定位：”open-source full-stack RAG platform” + “build your second brain”
• 社区规模：39.4K GitHub Stars、3.7K Forks
• 技术栈：Python（quivr-core）+ TypeScript（全栈平台）
• 核心抽象：Brain（知识大脑）——每个 Brain 是独立知识库/AI 助手
• LLM：OpenAI/Anthropic/Mistral/Groq/Gemma/Llama(Ollama)/任意 OpenAI 兼容端点
• 向量库：PGVector、Faiss、ChromaDB（开箱即用）
• 文件格式：Text/Markdown/PDF/PowerPoint/Excel/CSV/Word/Audio/Video
• 配套套件：Megaparse（文档解析 7.4K Stars）+ Le Juge（RAG 评估）
• 三种部署：quivr-core 库 / Docker Compose 全栈 / quivr.app SaaS
• 环境要求：Python 3.10+
• Opinionated 默认配置：5 行代码跑通 RAG，相比 LangChain 大幅提速
• 局限：深度文档解析不及 RAGFlow；复杂多文档推理不一致；自托管需管理 Supabase；亚 100ms 场景不适合