Quivr:由生成式 AI 驱动的开源第二大脑

1. 概述

Quivr 是一个开源的 RAG(检索增强生成，Retrieval-Augmented Generation)平台，是将个人或企业数据转化为智能 AI 助手的"第二大脑(Second Brain)"。用户只需上传文档并用自然语言提问，即可轻松检索和利用海量信息。

Quivr 以超过 38,000 个 GitHub 星标获得了全球开发者的关注，目前已有超过 5 万名用户和 6,000 多家企业在使用。该项目获得 Y Combinator 支持，由三位相识 20 年的法国朋友共同创立。

---

2. 为什么选择 Quivr?(痛点与解决方案)

在企业环境中，约 20% 的工作时间被单纯用于查找信息。员工反复遇到以下困扰:

• 必须向正在休假的同事紧急求助获取信息
• 重复回答相同问题所带来的低效
• 不知道所需信息存放在哪里，甚至不知道它是否存在

为解决这些问题，Quivr 提供了一个开源 AI 平台，将企业的所有工具、文档、API 和数据库连接起来，让用户可以与它们"对话"。Quivr 会自动完成以下工作:

• 对海量文档进行摘要，提炼核心内容
• 从数据库中提取可执行的信息
• 根据上下文自动撰写邮件

---

3. 核心功能

3.1 Opinionated RAG(预优化的 RAG 工作流)

Quivr 提供预先设计好的优化 RAG 工作流，使开发者无需从零开始搭建 RAG 流水线。该工作流以速度和效率为核心设计，可立即在生产环境中使用。

3.2 支持所有文件格式

支持多种文件格式，并可根据需要添加自定义解析器:

• 文本文件(.txt)
• PDF 文档
• Markdown(.md)
• 演示文稿(.ppt、.pptx)
• 电子表格(.csv、.xlsx)
• Word 文档
• 音频与视频文件

3.3 多 LLM 支持

Quivr 支持多种大语言模型(LLM)，以避免厂商锁定:

• OpenAI(GPT-4、GPT-3.5)
• Anthropic(Claude)
• Mistral
• Google(Gemma)
• Groq
• 本地模型(Ollama)——保证完全的数据隐私

3.4 可自定义的 RAG 工作流

可以通过 YAML 配置文件对以下要素进行精细调整:

• 重排序器(reranker)模型及相关设置
• 历史深度(对话上下文的纳入范围)
• LLM 的温度(temperature)及最大输入 token 数
• 检索分块(chunk)的大小及数量

3.5 工具集成与网络搜索

Quivr 不局限于静态文档知识，还可以连接网络搜索及外部工具/API，实现动态信息收集与实时情报能力。

3.6 Megaparse 集成

由同一团队 QuivrHQ 开发的 Megaparse，是一款用于高效解析大规模文档的工具，可以对数千个文件进行预处理，并直接接入 Quivr 的"Brain"。

3.7 隐私保护与自托管

针对数据隐私要求较高的企业和开发者，Quivr 支持本地部署与自托管。数据始终由用户自行掌控，即便不调用任何外部 API，也可以在完全本地化的环境中运行。

3.8 技术栈

层级	技术	特点
前端	Next.js + Vercel	基于 SSR，自动部署
后端 API	FastAPI	基于 Python 的高性能 API 框架
异步任务	Celery + 队列	处理大文件的向量化与索引
向量存储	PGVector / FAISS	高性能语义检索
认证/数据库	Supabase	开源的 Firebase 替代方案

---

4. 对开发者的优势

4.1 快速上手(30 秒即可完成)

pip install quivr-core
# 仅需 5 行代码即可完成 RAG 系统搭建

4.2 丰富的 API 支持

Quivr 提供 RESTful API，并配有 Swagger 文档，便于探索和测试。支持基于 API 密钥的认证方式，可轻松集成到各类应用中。

4.3 可扩展的架构

• 可添加自定义文件解析器
• 可扩展 RAG 工作流节点
• 可替换向量存储
• 支持多种嵌入模型(通过 LangChain 集成)

4.4 活跃的开源社区

• GitHub 星标超过 38k，贡献活跃
• 定期更新与功能改进
• issue 响应及 PR 审查十分活跃

4.5 提升开发效率

• 将 RAG 复杂的内部结构抽象化，使开发者可专注于业务逻辑
• 基于 YAML 的配置方式，可在不修改代码的情况下试验不同的 RAG 策略
• 提供多种示例代码(Chainlit、Streamlit 集成)

---

5. 安装与使用方法

5.1 安装 Python 包(快速上手)

想要最快上手，可以安装 quivr-core 包。

# 第一步:安装包
pip install quivr-core

# 验证安装
python -c "import quivr_core; print('Quivr installed!')"

5.2 基本使用示例

from quivr_core import Brain

# 1. 使用文档创建 Brain
brain = Brain.from_files(
    name="my_smart_brain",
    file_paths=["./my_document.pdf", "./my_notes.txt"]
)

# 2. 向 Brain 提问
answer = brain.ask("请总结这份文档的核心内容")
print(answer.answer)

# 3. 运行交互式界面
while True:
    question = input("问题: ")
    if question.lower() == "exit":
        break
    response = brain.ask(question)
    print(f"回答: {response.answer}")

5.3 基于 Docker 的本地部署(自托管)

如果数据隐私很重要，或想使用全部功能:

# 第一步:克隆仓库
git clone https://github.com/quivrhq/quivr.git && cd quivr

# 第二步:配置环境
cp .env.example .env
# 在 .env 文件中填入 OPENAI_API_KEY

# 第三步:使用 Docker 运行
docker compose pull
docker compose up

# 第四步:访问
# Web 界面: http://localhost:3000
# API 文档: http://localhost:5050/docs

5.4 配置自定义 RAG 工作流

可以通过 YAML 文件自定义 RAG 策略:

# custom_rag.yaml
workflow_config:
  name: "advanced_rag"
  max_history: 10
  reranker_config:
    supplier: "cohere"
    model: "rerank-multilingual-v3.0"
    top_n: 5
  llm_config:
    max_input_tokens: 4000
    temperature: 0.3

from quivr_core import Brain
from quivr_core.config import RetrievalConfig

brain = Brain.from_files(
    name="custom_brain",
    file_paths=["./data/*.pdf"]
)

config = RetrievalConfig.from_yaml("./custom_rag.yaml")
answer = brain.ask("问题", retrieval_config=config)

5.5 使用 Chainlit 搭建聊天界面

cd examples/chatbot
rye sync
rye run chainlit run chainlit.py

5.6 申请与使用 API 密钥

# 1. 登录 Quivr 网页应用
# 2. 在 /user 页面生成 API 密钥
# 3. 调用 API 时使用 Bearer token

curl -X GET https://api.quivr.app/brains/ \
  -H "Authorization: Bearer YOUR_API_KEY"

---

6. 理解"Brain"概念

Quivr 的核心概念是"Brain"(大脑)。Brain 是存储和处理用户知识的基本组件。

• 一个 Brain 可以关联多个文档
• 每个 Brain 都可以拥有独立的 RAG 配置和 LLM
• 可设置为公开或私密(共享或不共享)
• 也可以通过 Brain Marketplace 使用其他用户的 Brain

---

7. 参考资料(References)

官方文档

• 官方主页: https://quivr.app
• Core 文档: https://core.quivr.com
• API Swagger 文档: https://api.quivr.app/docs

GitHub 仓库

• QuivrHQ/quivr: https://github.com/quivrhq/quivr(星标 38k+)
• Megaparse(文档解析工具): https://github.com/quivrhq/megaparse

快速链接

• 快速上手: https://core.quivr.com/en/stable/
• Brain API 指南:可通过 POST /brains/ 端点创建 Brain
• 聊天 API:可通过 GET /chat/{chat_id}/history 查询对话历史

社区

• Product Hunt: https://www.producthunt.com/products/quivr
• Y Combinator Launch: https://www.ycombinator.com/launches/KPF-quivr

---

8. 结语

Quivr 的设计目标不仅仅是一个 RAG 工具，更是一个开发者友好的 AI 框架。它将简洁性(simplicity)与可扩展性(extensibility)置于首位，从个人开发者到大型 AI 团队，都能从中获得生产力的提升。

选择 Quivr 的理由:

• 开源带来的完全透明性和自由的定制能力
• 30 秒即可安装完成，5 行代码即可立即使用
• 数据隐私保护——支持本地化部署
• 无厂商锁定——兼容所有主流 LLM
• 活跃的社区与持续的更新

正如一种说法所描述的:"其理念与 Obsidian 相似，但被 AI 能力进一步强化"，Quivr 为知识管理提供了一种新的范式。现在就用 Quivr 构建属于你自己的"第二大脑"吧。