Quivr

Quivr est un framework RAG (Retrieval-Augmented Generation) open source créé par Stan Girard et l'équipe QuivrHQ, une entreprise Y Combinator W24. Lancé en mai 2023 comme un outil de « second cerveau » personnel pour dialoguer avec des documents, il est devenu viral sur GitHub quelques jours après sa sortie. Depuis, il a évolué pour devenir une bibliothèque de développement structurée (opinionated), conçue pour intégrer la recherche de documents par IA générative dans des applications existantes. Il est sous licence Apache 2.0, hébergé sur github.com/QuivrHQ/quivr, et s'installe via pip install quivr-core.

Le framework prend en charge n'importe quel LLM compatible avec OpenAI, y compris GPT-4, Anthropic Claude, Mistral, Groq et Gemma, ainsi que n'importe quelle base de données vectorielle : PGVector, Faiss et ChromaDB fonctionnent tous nativement. Quivr est livré avec des paramètres par défaut optimisés pour le découpage (chunking), la recherche et la génération, permettant aux équipes de se concentrer sur leur produit plutôt que sur la plomberie du pipeline. Une version cloud hébergée sur quivr.app offre une interface web sans installation pour créer des « cerveaux » (des bases de connaissances nommées) à partir de PDF, d'URL et de fichiers. L'option auto-hébergée est entièrement gratuite ; la version cloud fonctionne sur un modèle freemium à crédits. Le projet a atteint 39 100 étoiles sur GitHub début 2026 et a donné naissance à une bibliothèque d'analyse de fichiers complémentaire appelée Megaparse, qui a elle-même dépassé les 6 000 étoiles.

Ce que fait réellement Quivr en mai 2026

À la base, Quivr est une bibliothèque Python que vous importez dans votre propre application pour gérer l'intégralité du pipeline RAG : ingestion de documents, vectorisation (embedding), stockage, recherche et génération. Une intégration minimale ne nécessite que quelques dizaines de lignes de code Python. Vous transmettez des fichiers, choisissez un LLM, le connectez à une base de données vectorielle et posez des questions. Quivr gère la stratégie de découpage, la recherche de similarité et l'assemblage du contexte en arrière-plan.

La bibliothèque s'intègre à Megaparse pour analyser des formats de fichiers complexes : PDF, documents Word, fichiers Excel, Markdown, texte brut, fichiers de code et URL. La prise en charge des LLM couvre l'ensemble des modèles d'OpenAI, Anthropic Claude 3.x, Mistral, les variantes de Llama hébergées par Groq, et toute API respectant les spécifications d'OpenAI. Les backends de bases de données vectorielles incluent PGVector (Postgres), Faiss (local) et ChromaDB. Le framework est intentionnellement structuré : plutôt que d'exposer tous les paramètres de configuration RAG possibles, il est livré avec des valeurs par défaut judicieuses pour raccourcir le temps d'intégration.

L'application grand public hébergée, quivr.app, permet aux non-développeurs d'utiliser la même technologie via un navigateur. Les utilisateurs créent des « cerveaux » nommés, téléchargent des documents ou collent des URL, et discutent avec la base de connaissances combinée. La version gratuite offre 25 crédits de messages ; GPT-3.5 coûte 1 crédit par message tandis que GPT-4 en coûte 20, ce qui signifie que le forfait gratuit peut s'épuiser en une seule conversation avec GPT-4. La version cloud payante augmente le nombre de crédits et de cerveaux. Pour les développeurs, la bibliothèque est gratuite à perpétuité sous licence Apache 2.0, indépendamment de l'utilisation du cloud.

Fin 2024, Stan Girard a publiquement scindé le projet en trois dépôts open source : Quivr (la bibliothèque d'algorithmes RAG), Megaparse (l'analyse de fichiers vers Markdown) et Le Juge (algorithmes d'évaluation, en cours de développement). Les fonctionnalités de l'interface utilisateur d'entreprise restent dans un dépôt privé. Cette architecture permet à la communauté open source d'utiliser et de contribuer aux algorithmes de base, tandis que l'entreprise construit sa différenciation commerciale par-dessus.

Où se situe Quivr par rapport à AnythingLLM et Open WebUI

Pour comprendre la place de Quivr, il faut savoir quel problème il résout par rapport aux deux alternatives les plus visibles dans l'espace RAG auto-hébergé.

AnythingLLM (Mintplex Labs, plus de 54 000 étoiles GitHub) est une application full-stack déployable. Vous la téléchargez, la lancez, et vous obtenez une interface de chat complète propulsée par le RAG, avec isolation des espaces de travail, contrôle d'accès basé sur les rôles (RBAC), stockage vectoriel intégré via LanceDB, outils d'agents et une application de bureau pour Mac, Windows et Linux. Ce n'est pas une bibliothèque. Vous ne pouvez pas importer AnythingLLM dans votre propre produit ; vous le déployez en tant que produit autonome. Son pipeline RAG gère le découpage et la recherche en interne avec un chevauchement (overlap) configurable et des options de bases de données vectorielles externes. Pour les équipes qui souhaitent UTILISER un système de questions-réponses documentaire plutôt que d'en CONSTRUIRE un, AnythingLLM est le choix clé en main le plus complet.

Open WebUI (plus de 56 000 étoiles GitHub) est une couche d'interface de chat qui se connecte à n'importe quel backend compatible OpenAI ou instance Ollama. Il a ajouté le téléchargement de documents et un support RAG de base, mais l'implémentation RAG est moins mature et repose sur une recherche simple sans la gestion avancée de pipeline des frameworks dédiés. La force d'Open WebUI réside dans son interface utilisateur soignée ; il n'a jamais été conçu pour être un framework RAG à intégrer dans vos propres applications.

Quivr occupe la position de bibliothèque pour développeurs que ni AnythingLLM ni Open WebUI ne remplissent. Si vous créez un produit SaaS et avez besoin d'une fonctionnalité « discutez avec vos documents » pour vos utilisateurs, Quivr est celui que vous installez via pip install et intégrez dans votre base de code existante. Le compromis est que vous êtes responsable de l'hébergement, de l'interface utilisateur et de la couche applicative. Quivr gère le pipeline de recherche ; tout le reste est à construire par vos soins.

Une troisième comparaison pertinente est RAGFlow (InfiniFlow), qui adopte une approche de compréhension approfondie des documents avec des modèles OCR, la détection de mise en page Yolov8, l'indexation RAPTOR et des techniques d'auto-RAG intégrées. RAGFlow est nettement plus performant pour les documents complexes avec des mises en page mixtes, du contenu numérisé ou des tableaux nécessitant une analyse au niveau de la cellule. Quivr est plus simple, plus rapide à intégrer et fonctionne bien pour les documents standard riches en texte ; RAGFlow est l'option plus lourde pour la complexité des documents d'entreprise. Les paramètres par défaut structurés de Quivr sont un atout pour les équipes qui recherchent la rapidité ; ils constituent une limite pour celles qui ont besoin d'un contrôle précis sur les stratégies de découpage et de reclassement (reranking).

« Les applications web sont, pour le PKM (Personal Knowledge Management), intrinsèquement trop lentes et inaccessibles via des raccourcis clavier » - Douglas Keiller, Product Hunt, 2023

À quoi ressemble la réalité de l'intégration pour les développeurs

La configuration de Quivr en tant que développeur est véritablement rapide. Le package Python s'installe en quelques secondes, se connecte à une base de données Postgres existante avec pgvector, et un flux de travail RAG de base est opérationnel en moins d'une heure pour quiconque maîtrise Python. La documentation couvre les modèles les plus courants : RAG de base, configuration de LLM personnalisée, configuration de base de données vectorielle personnalisée et ingestion de fichiers avec Megaparse.

L'approche structurée du framework signifie que les paramètres par défaut sont judicieux mais pas toujours optimaux. Les équipes ayant des exigences complexes en matière de découpage, de reclassement spécifique à un domaine ou de flux de raisonnement à sauts multiples (multi-hop) atteindront les limites de ce que les paramètres par défaut peuvent gérer. La bibliothèque n'offre pas nativement la sophistication d'analyse de documents d'un outil comme RAGFlow. Les fichiers PDF lourds avec des tableaux complexes, des langues mixtes ou des pages numérisées fonctionnent mieux s'ils sont prétraités via un pipeline OCR dédié avant l'ingestion.

L'expérience grand public hébergée sur quivr.app est distincte de l'expérience de la bibliothèque. Les non-développeurs utilisant l'application web découvrent un tableau de bord épuré, un traitement rapide des téléchargements et une recherche précise pour les contenus PDF et textuels typiques. Les frustrations sont liées aux crédits : les utilisateurs bavards avec GPT-4 atteignent rapidement le plafond de la version gratuite, et il n'y a aucun signal de réapprovisionnement automatique des crédits avant d'en manquer en pleine conversation.

La communauté autour de Quivr est active sur Discord et GitHub. Le dépôt GitHub affiche plus de 353 versions début 2025, avec un tri actif des tickets (issues) et une forte activité des contributeurs. L'entreprise de Stan Girard a également créé Megaparse spécifiquement parce que Quivr avait besoin d'une meilleure analyse de fichiers, ce qui montre le type d'intégration verticale qui rend l'écosystème auto-renforçant. Pour comprendre comment Quivr s'intègre dans les modèles plus larges de développement d'applications GenAI, consultez également LangChain et Dify, qui adoptent des approches architecturales différentes pour résoudre le même problème de connexion des LLM aux données.

« Nous avons réalisé que beaucoup de gens rencontraient des difficultés pour construire un RAG, donc au lieu de pousser notre produit d'entreprise complet, nous vous permettons d'ajouter facilement un RAG à votre produit sans déployer une application d'entreprise à part entière. » - Stan Girard, LinkedIn, 2024

À qui s'adresse Quivr

Quivr est idéal pour les développeurs Python et les équipes d'ingénierie qui ont besoin d'ajouter la recherche de documents à un produit qu'ils sont déjà en train de construire. Si votre produit implique que les utilisateurs téléchargent des fichiers, interrogent une base de connaissances ou posent des questions sur des documents d'entreprise, Quivr vous offre un pipeline prêt pour la production sans avoir à écrire l'infrastructure de recherche de zéro.

Les chercheurs et les travailleurs du savoir qui sont à l'aise avec l'auto-hébergement et souhaitent un système de questions-réponses documentaire entièrement privé sont également une excellente cible. La licence Apache 2.0 signifie qu'il n'y a pas de dépendance vis-à-vis d'un fournisseur (vendor lock-in), aucune donnée ne quitte votre infrastructure et il n'y a pas de frais d'abonnement. Un chercheur avec 500 PDF qui sait comment exécuter Docker peut obtenir une base de connaissances privée et interrogeable en un après-midi.

Quivr est particulièrement adapté aux équipes utilisant déjà Postgres, car l'intégration de PGVector signifie qu'aucune infrastructure supplémentaire n'est requise au-delà de ce qu'elles exécutent probablement déjà. Il est également bien adapté aux cas d'usage où le choix du LLM doit rester flexible, comme les projets où la gestion des coûts nécessite de basculer entre GPT-3.5 et GPT-4 selon la complexité de la requête, ou lorsque la conformité exige des modèles sur site (on-premises).

La version cloud hébergée sur quivr.app étend l'utilisabilité aux non-développeurs qui souhaitent simplement un assistant de connaissances IA personnel sans configuration d'infrastructure. Elle fonctionne bien pour les individus ayant des volumes de requêtes modérés. Les utilisateurs effectuant des recherches quotidiennes intensives sur de vastes collections de documents dépasseront rapidement la version gratuite et devront peser le coût des crédits payants par rapport à la complexité de l'auto-hébergement.

Pour les équipes évaluant l'espace plus large des applications compatibles RAG, RAGFlow mérite d'être examiné pour les flux de travail documentaires d'entreprise complexes nécessitant une analyse avancée.

Ce que Quivr n'est pas

Quivr n'est pas une application autonome. Si vous souhaitez télécharger quelque chose, le lancer et avoir un produit fini prêt à être utilisé par votre équipe, AnythingLLM ou un outil tout-en-un similaire est le bon choix. Quivr nécessite une application hôte autour de lui.

Quivr n'est pas une interface de chat. Il n'a pas d'interface utilisateur intégrée. L'application hébergée quivr.app en fournit une, mais la bibliothèque open source elle-même n'a pas de front-end. Les équipes qui ont besoin d'une couche d'interface utilisateur doivent toujours en construire ou en adopter une séparément.

Quivr n'est pas adapté aux utilisateurs non techniques qui ont besoin d'un logiciel de gestion des connaissances abouti avec des fonctionnalités telles que des notes quotidiennes, des vues graphiques ou des liens de type wiki. Ces utilisateurs seront mieux servis par Notion AI, Obsidian avec les bons plugins, ou des outils PKM similaires. Les premiers avis sur Product Hunt reflètent cet écart : les utilisateurs s'attendant à une expérience PKM locale (local-first) de type Obsidian ont trouvé l'application web trop lente et pauvre en fonctionnalités.

Quivr n'est pas non plus un remplaçant pour une plateforme dédiée à l'intelligence documentaire. Pour les organisations traitant des documents d'assurance numérisés, des contrats multilingues ou des tableaux financiers complexes, l'approche de compréhension approfondie des documents de RAGFlow avec OCR et détection de mise en page surpassera le pipeline d'ingestion plus simple de Quivr sur ces types de documents spécifiques.