Quivr

يُعد Quivr إطار عمل مفتوح المصدر للتوليد المعزز بالاسترجاع (RAG) تم تطويره بواسطة Stan Girard وفريق QuivrHQ، وهي شركة تابعة لـ Y Combinator W24. بدأ المشروع في مايو 2023 كأداة شخصية بمثابة "عقل ثانٍ" للدردشة مع المستندات، وسرعان ما انتشر بشكل واسع على GitHub خلال أيام من إطلاقه، ليتطور منذ ذلك الحين إلى مكتبة مطورين متخصصة لدمج استرجاع مستندات الذكاء الاصطناعي التوليدي في التطبيقات الحالية. الإطار مرخص بموجب Apache 2.0، ومستضاف على github.com/QuivrHQ/quivr، ويمكن تثبيته عبر pip install quivr-core.

يدعم إطار العمل أي نموذج لغوي كبير (LLM) متوافق مع OpenAI بما في ذلك GPT-4 و Anthropic Claude و Mistral و Groq و Gemma، بالإضافة إلى أي قاعدة بيانات متجهة (vectorstore): حيث تعمل PGVector و Faiss و ChromaDB بسلاسة تامة. يأتي Quivr مزوداً بإعدادات افتراضية متخصصة للتقسيم (chunking) والاسترجاع والتوليد، مما يتيح للفرق التركيز على منتجاتهم بدلاً من الانشغال بتعقيدات البنية التحتية. توفر النسخة السحابية المستضافة على quivr.app واجهة ويب لا تتطلب التثبيت لبناء "عقول" (قواعد معرفية مسماة) من ملفات PDF والروابط (URLs) والملفات الأخرى. خيار الاستضافة الذاتية مجاني بالكامل؛ بينما تعمل النسخة السحابية بنموذج أرصدة مجاني ومدفوع (freemium). وصل المشروع إلى 39,100 نجمة على GitHub بحلول أوائل عام 2026، وقام ببناء مكتبة مرافقة لتحليل الملفات تُسمى Megaparse والتي حصدت أكثر من 6,000 نجمة بمفردها.

ما الذي يقدمه Quivr فعلياً في مايو 2026

في جوهره، Quivr هو مكتبة Python تقوم باستيرادها إلى تطبيقك الخاص للتعامل مع مسار RAG بالكامل: استيعاب المستندات، والتضمين، والتخزين، والاسترجاع، والتوليد. يتطلب التكامل الأساسي بضعة أسطر فقط من كود Python. كل ما عليك فعله هو تمرير الملفات، واختيار نموذج LLM، وتوجيهه إلى قاعدة بيانات متجهة، ثم طرح الأسئلة. يتولى Quivr استراتيجية التقسيم، والبحث عن التشابه، وتجميع السياق في الخلفية.

تتكامل المكتبة مع Megaparse لتحليل تنسيقات الملفات المعقدة: ملفات PDF، ومستندات Word، وملفات Excel، و Markdown، والنصوص العادية، وملفات الأكواد، والروابط (URLs). يغطي دعم LLM مجموعة نماذج OpenAI الكاملة، و Anthropic Claude 3.x، و Mistral، ومتغيرات Llama المستضافة على Groq، وأي واجهة برمجة تطبيقات (API) تتبع مواصفات OpenAI. تشمل الواجهات الخلفية لقواعد البيانات المتجهة PGVector (Postgres) و Faiss (محلي) و ChromaDB. تم تصميم إطار العمل ليكون متخصصاً عن قصد: فبدلاً من كشف كل إعدادات RAG الممكنة، فإنه يأتي بإعدادات افتراضية منطقية لجعل مسار التكامل قصيراً وسريعاً.

يتيح تطبيق المستهلك المستضاف، quivr.app، لغير المطورين استخدام نفس التقنية من خلال المتصفح. يقوم المستخدمون بإنشاء "عقول" مسماة، وتحميل المستندات أو لصق الروابط، والدردشة مع القاعدة المعرفية المجمعة. تمنح الباقة المجانية 25 رصيد رسائل؛ حيث تكلف رسالة GPT-3.5 رصيداً واحداً بينما تكلف رسالة GPT-4 حوالي 20 رصيداً، لذا قد تنفد الباقة المجانية خلال محادثة واحدة باستخدام GPT-4. تعمل الباقة السحابية المدفوعة على زيادة الأرصدة وعدد العقول. بالنسبة للمطورين، تظل المكتبة مجانية إلى الأبد بموجب ترخيص Apache 2.0 بغض النظر عن الاستخدام السحابي.

في أواخر عام 2024، قام Stan Girard بفصل المشروع علناً إلى ثلاثة مستودعات مفتوحة المصدر: Quivr (مكتبة خوارزميات RAG)، و Megaparse (لتحليل الملفات إلى Markdown)، و Le Juge (خوارزميات التقييم، قيد التطوير). تظل ميزات واجهة المستخدم الخاصة بالمؤسسات في مستودع خاص. تتيح هذه البنية لمجتمع المصادر المفتوحة استخدام الخوارزميات الأساسية والمساهمة فيها بينما تبني الشركة ميزاتها التجارية التنافسية فوقها.

موقع Quivr مقارنة بـ AnythingLLM و Open WebUI

يتطلب فهم مكانة Quivr معرفة المشكلة التي يحلها مقارنة بالبديلين الأكثر بروزاً في مجال RAG القابل للاستضافة الذاتية.

يُعد AnythingLLM (من Mintplex Labs، بأكثر من 54,000 نجمة على GitHub) تطبيقاً متكاملاً قابلاً للنشر. بمجرد تنزيله وتشغيله، ستحصل على واجهة دردشة كاملة مدعومة بـ RAG مع عزل مساحات العمل، والتحكم في الوصول القائم على الأدوار (RBAC)، وتخزين متجه مدمج عبر LanceDB، وأدوات الوكلاء، وتطبيق سطح مكتب لأنظمة Mac و Windows و Linux. إنه ليس مكتبة. لا يمكنك استيراد AnythingLLM إلى منتجك الخاص؛ بل تقوم بنشره كمنتج مستقل. يتعامل مسار RAG الخاص به مع التقسيم والاسترجاع داخلياً مع خيارات تداخل قابلة للتكوين وقواعد بيانات متجهة خارجية. بالنسبة للفرق التي ترغب في استخدام نظام أسئلة وأجوبة للمستندات بدلاً من بناء واحد، يُعد AnythingLLM الخيار الجاهز الأكثر اكتمالاً.

يُعد Open WebUI (بأكثر من 56,000 نجمة على GitHub) طبقة واجهة دردشة تتصل بأي واجهة خلفية متوافقة مع OpenAI أو مثيل Ollama. لقد أضاف دعماً لتحميل المستندات و RAG الأساسي، لكن تنفيذ RAG أقل نضجاً ويعتمد على استرجاع بسيط دون إدارة المسار المتقدمة لأطر العمل المخصصة. تكمن قوة Open WebUI في كونه واجهة أمامية مصقولة؛ ولم يُصمم أبداً ليكون إطار عمل RAG يمكنك تضمينه في تطبيقاتك الخاصة.

يحتل Quivr مكانة مكتبة المطورين التي لا يملؤها AnythingLLM ولا Open WebUI. إذا كنت تبني منتج SaaS وتحتاج إلى ميزة "الدردشة مع مستنداتك" لمستخدميك، فإن Quivr هو ما تقوم بتثبيته عبر pip install ودمجه في قاعدة التعليمات البرمجية الحالية لديك. المقابل هو أنك مسؤول عن الاستضافة، وواجهة المستخدم، وطبقة التطبيق. يتولى Quivr مسار الاسترجاع؛ وكل شيء آخر يقع على عاتقك لبنائه.

المقارنة الثالثة ذات الصلة هي RAGFlow (من InfiniFlow)، والذي يتخذ نهج الفهم العميق للمستندات مع نماذج التعرف البصري على الحروف (OCR)، واكتشاف التخطيط Yolov8، وفهرسة RAPTOR، وتقنيات self-RAG المدمجة. يُعد RAGFlow أكثر قدرة بشكل ملحوظ على التعامل مع المستندات المعقدة ذات التخطيطات المختلطة، أو المحتوى الممسوح ضوئياً، أو الجداول التي تتطلب تحليلاً على مستوى الخلية. في المقابل، Quivr أبسط وأسرع في التكامل، ويعمل بشكل جيد مع المستندات القياسية المليئة بالنصوص؛ بينما RAGFlow هو الخيار الأثقل لتعقيدات مستندات المؤسسات. تُعد الإعدادات الافتراضية المتخصصة في Quivr ميزة للفرق التي تبحث عن السرعة؛ ولكنها قد تكون قيداً للفرق التي تحتاج إلى تحكم دقيق في استراتيجيات التقسيم وإعادة الترتيب.

"تطبيقات الويب، بالنسبة لإدارة المعرفة الشخصية (PKM)، بطيئة بطبيعتها ولا يمكن الوصول إليها عبر اختصارات لوحة المفاتيح" - Douglas Keiller، Product Hunt، 2023

كيف يبدو واقع تكامل المطورين

يُعد إعداد Quivr كمطور أمراً سريعاً حقاً. يتم تثبيت حزمة Python في ثوانٍ، وتتصل بقاعدة بيانات Postgres الحالية مع pgvector، ويصبح سير عمل RAG الأساسي جاهزاً للعمل في أقل من ساعة لأي شخص معتاد على Python. تغطي الوثائق الأنماط الأكثر شيوعاً: RAG الأساسي، وتكوين LLM المخصص، وإعداد قاعدة البيانات المتجهة المخصصة، واستيعاب ملفات Megaparse.

يعني النهج المتخصص لإطار العمل أن الإعدادات الافتراضية منطقية ولكنها ليست دائماً مثالية. ستصل الفرق التي لديها متطلبات تقسيم معقدة، أو إعادة ترتيب خاصة بمجال معين، أو مسارات عمل استدلال متعددة الخطوات إلى حدود ما يمكن للإعدادات الافتراضية التعامل معه. لا توفر المكتبة مستوى تطور تحليل المستندات الموجود في RAGFlow بشكل افتراضي. تعمل ملفات PDF الثقيلة التي تحتوي على جداول معقدة، أو لغات مختلطة، أو صفحات ممسوحة ضوئياً بشكل أفضل عند معالجتها مسبقاً من خلال مسار OCR مخصص قبل الاستيعاب.

تُعد تجربة المستهلك المستضافة على quivr.app منفصلة عن تجربة المكتبة. يواجه غير المطورين الذين يستخدمون تطبيق الويب لوحة تحكم نظيفة، ومعالجة سريعة للتحميل، واسترجاعاً دقيقاً لمحتوى PDF والنصوص النموذجية. تكمن الإحباطات في نظام الأرصدة: فالمستخدمون الذين يكثرون من الدردشة باستخدام GPT-4 يصلون إلى سقف الباقة المجانية بسرعة، ولا توجد إشارة تلقائية لتجديد الرصيد قبل نفاده في منتصف المحادثة.

يتميز مجتمع Quivr بنشاطه على Discord و GitHub. يُظهر مستودع GitHub أكثر من 353 إصداراً اعتباراً من أوائل عام 2025، مع فرز نشط للمشكلات ونشاط ملحوظ للمساهمين. كما قامت شركة Stan Girard بإنشاء Megaparse خصيصاً لأن Quivr كان بحاجة إلى تحليل أفضل للملفات، مما يُظهر نوع التكامل الرأسي الذي يجعل النظام البيئي يعزز نفسه بنفسه. للحصول على سياق حول كيفية تناسب Quivr مع أنماط تطوير تطبيقات الذكاء الاصطناعي التوليدي الأوسع، راجع أيضاً LangChain و Dify، اللذين يتخذان مناهج معمارية مختلفة لنفس مشكلة ربط نماذج LLM بالبيانات.

"أدركنا أن العديد من الأشخاص يواجهون مشكلات في بناء RAG، لذا بدلاً من دفع منتجنا المؤسسي الكامل، نسمح لك بإضافة RAG بسهولة إلى منتجك دون نشر تطبيق مؤسسي متكامل." - Stan Girard، LinkedIn، 2024

لمن تم بناء Quivr

يُعد Quivr خياراً مناسباً لمطوري Python والفرق الهندسية التي تحتاج إلى إضافة استرجاع المستندات إلى منتج يقومون ببنائه بالفعل. إذا كان منتجك يتضمن قيام المستخدمين بتحميل الملفات، أو الاستعلام عبر قاعدة معرفية، أو طرح أسئلة حول مستندات الشركة، فإن Quivr يمنحك مساراً جاهزاً للإنتاج دون الحاجة إلى كتابة البنية التحتية للاسترجاع من الصفر.

يُعد الباحثون والعاملون في مجال المعرفة الذين يشعرون بالراحة مع الاستضافة الذاتية ويرغبون في نظام أسئلة وأجوبة خاص بالكامل للمستندات تطابقاً قوياً أيضاً. يعني ترخيص Apache 2.0 عدم وجود تقييد بمورد معين، وعدم خروج البيانات من بنيتك التحتية، وعدم وجود رسوم اشتراك. يمكن لباحث يمتلك 500 ملف PDF ويعرف كيفية تشغيل Docker أن يحصل على قاعدة معرفية خاصة وقابلة للبحث في غضون فترة ما بعد الظهيرة.

يناسب Quivr بشكل خاص الفرق التي تستخدم Postgres بالفعل، حيث يعني تكامل PGVector عدم الحاجة إلى بنية تحتية إضافية تتجاوز ما يقومون بتشغيله بالفعل. كما أنه مناسب تماماً لحالات الاستخدام التي يجب أن يظل فيها اختيار LLM مرناً، مثل المشاريع التي تتطلب فيها إدارة التكاليف التبديل بين GPT-3.5 و GPT-4 حسب تعقيد الاستعلام، أو حيث يتطلب الامتثال نماذج محلية (on-premises).

تعمل النسخة السحابية المستضافة على quivr.app على توسيع نطاق الاستخدام لغير المطورين الذين يريدون فقط مساعد معرفة شخصي يعمل بالذكاء الاصطناعي دون إعداد بنية تحتية. إنها تعمل بشكل جيد للأفراد ذوي أحجام الاستعلام المعتدلة. أما المستخدمون الذين يجرون أبحاثاً يومية مكثفة على مجموعات مستندات كبيرة، فسوف يتجاوزون الباقة المجانية بسرعة وسيحتاجون إلى الموازنة بين تكلفة الأرصدة المدفوعة وتعقيد الاستضافة الذاتية.

بالنسبة للفرق التي تقيم مساحة التطبيقات الأوسع المدعومة بـ RAG، يستحق RAGFlow المراجعة لمسارات عمل مستندات المؤسسات المعقدة التي تتطلب تحليلاً متقدماً.

ما لا يقدمه Quivr

Quivr ليس تطبيقاً مستقلاً. إذا كنت ترغب في تنزيل شيء ما، وتشغيله، والحصول على منتج نهائي جاهز لاستخدام فريقك، فإن AnythingLLM أو أداة مشابهة متكاملة هي الخيار الصحيح. يتطلب Quivr تطبيقاً مضيفاً حوله.

Quivr ليس واجهة دردشة. لا يحتوي على واجهة مستخدم مدمجة. يوفر quivr.app المستضاف واحدة، لكن المكتبة مفتوحة المصدر نفسها لا تحتوي على واجهة أمامية. لا تزال الفرق التي تحتاج إلى طبقة واجهة مستخدم بحاجة إلى بناء واحدة أو اعتمادها بشكل منفصل.

لا يناسب Quivr المستخدمين غير التقنيين الذين يحتاجون إلى برنامج مصقول لإدارة المعرفة مع ميزات مثل الملاحظات اليومية، أو عروض الرسوم البيانية، أو الروابط بأسلوب الويكي. هؤلاء المستخدمون يخدمهم بشكل أفضل Notion AI، أو Obsidian مع الإضافات المناسبة، أو أدوات PKM المشابهة. تعكس مراجعات Product Hunt المبكرة هذه الفجوة: فالمستخدمون الذين توقعوا تجربة PKM محلية أولاً تشبه Obsidian وجدوا تطبيق الويب بطيئاً جداً ويفتقر إلى الميزات.

كما أن Quivr ليس بديلاً لمنصة ذكاء مستندات مخصصة. بالنسبة للمؤسسات التي تعالج مستندات التأمين الممسوحة ضوئياً، أو العقود متعددة اللغات، أو الجداول المالية المعقدة، فإن نهج الفهم العميق للمستندات الخاص بـ RAGFlow مع OCR واكتشاف التخطيط سيتفوق على مسار الاستيعاب الأبسط لـ Quivr في أنواع المستندات المحددة هذه.