Quivr

Quivr 是一个开源的 RAG（检索增强生成）框架，由 Stan Girard 和 Y Combinator W24 孵化企业 QuivrHQ 团队共同打造。它始于 2023 年 5 月，最初是一个用于与文档对话的个人“第二大脑”工具，发布几天后便在 GitHub 上迅速走红，此后演变成一个带有主见（opinionated）的开发者库，用于将生成式 AI 文档检索功能嵌入到现有应用程序中。它采用 Apache 2.0 许可，托管在 github.com/QuivrHQ/quivr，可通过 pip install quivr-core 进行安装。

该框架支持任何兼容 OpenAI 的大语言模型（LLM），包括 GPT-4、Anthropic Claude、Mistral、Groq 和 Gemma，以及任何向量数据库：PGVector、Faiss 和 ChromaDB 均可开箱即用。Quivr 为分块（chunking）、检索和生成提供了预设的默认配置，让团队可以专注于产品本身，而不是管道的底层构建。托管的云版本 quivr.app 提供了一个免安装的 Web 界面，用于从 PDF、URL 和文件中构建“大脑”（即命名的知识库）。自托管选项完全免费；云版本则采用免费增值的积分模式。截至 2026 年初，该项目在 GitHub 上已达到 39,100 颗星，并构建了一个名为 Megaparse 的配套文件解析库，该库本身也获得了 6,000 多颗星。

2026 年 5 月的 Quivr 究竟能做什么

从核心来看，Quivr 是一个 Python 库，你可以将其导入到自己的应用程序中，以处理完整的 RAG 管道：文档摄取、嵌入、存储、检索和生成。最简单的集成只需几十行 Python 代码。你只需传入文件，选择一个 LLM，将其指向一个向量数据库，然后提出问题。Quivr 会在后台处理分块策略、相似性搜索和上下文组装。

该库与 Megaparse 集成，用于解析复杂的文件格式：PDF、Word 文档、Excel 文件、Markdown、纯文本、代码文件和 URL。LLM 支持涵盖 OpenAI 的全线模型、Anthropic Claude 3.x、Mistral、Groq 托管的 Llama 变体，以及任何遵循 OpenAI 规范的 API。向量数据库后端包括 PGVector（Postgres）、Faiss（本地）和 ChromaDB。该框架刻意采用了“带有主见”的设计：它没有暴露所有可能的 RAG 配置选项，而是提供了合理的默认设置，从而大大缩短了集成路径。

托管的消费者应用 quivr.app 让非开发者也能通过浏览器使用相同的技术。用户可以创建命名的“大脑”，上传文档或粘贴 URL，并与组合的知识库进行对话。免费套餐提供 25 个消息积分；GPT-3.5 每条消息消耗 1 个积分，而 GPT-4 消耗 20 个积分，因此免费额度可能在一次 GPT-4 对话中就会耗尽。付费云套餐扩展了积分和大脑数量。对于开发者来说，无论云端使用情况如何，该库在 Apache 2.0 许可下永久免费。

2024 年底，Stan Girard 公开将该项目拆分为三个开源仓库：Quivr（RAG 算法库）、Megaparse（将文件解析为 Markdown）和 Le Juge（评估算法，开发中）。企业级 UI 功能保留在私有仓库中。这种架构让开源社区能够使用核心算法并为其做出贡献，同时公司可以在此基础上构建商业差异化功能。

Quivr 与 AnythingLLM 和 Open WebUI 的定位对比

要了解 Quivr 的定位，需要知道与自托管 RAG 领域中最知名的两个替代方案相比，它解决的是什么问题。

AnythingLLM（Mintplex Labs，54,000 多颗 GitHub 星）是一个全栈可部署的应用程序。你只需下载并启动它，就能获得一个完整的、由 RAG 驱动的聊天界面，具备工作区隔离、RBAC（基于角色的访问控制）、通过 LanceDB 实现的内置向量存储、智能体工具，以及适用于 Mac、Windows 和 Linux 的桌面应用。它不是一个库。你不能将 AnythingLLM 导入到自己的产品中；你只能将其作为独立产品进行部署。它的 RAG 管道在内部处理分块和检索，并提供可配置的重叠度（overlap）和外部向量数据库选项。对于想要“使用”而不是“构建”文档问答系统的团队来说，AnythingLLM 是更完整的开箱即用选择。

Open WebUI（56,000 多颗 GitHub 星）是一个聊天界面层，可连接到任何兼容 OpenAI 的后端或 Ollama 实例。它添加了文档上传和基础的 RAG 支持，但其 RAG 实现不够成熟，依赖于简单的检索，缺乏专用框架的高级管道管理功能。Open WebUI 的优势在于它是一个精美的前端；它从一开始就不是为了作为嵌入到你自有应用中的 RAG 框架而设计的。

Quivr 占据了 AnythingLLM 和 Open WebUI 都未填补的开发者库定位。如果你正在构建一个 SaaS 产品，并且需要为用户提供“与文档对话”的功能，Quivr 就是那个你可以通过 pip install 安装并集成到现有代码库中的工具。代价是，你需要自行负责托管、UI 和应用层。Quivr 处理检索管道；其他一切都由你来构建。

第三个相关的对比对象是 RAGFlow（InfiniFlow），它采用深度文档理解方法，内置了 OCR 模型、Yolov8 布局检测、RAPTOR 索引和 self-RAG 技术。对于具有混合布局、扫描内容或需要单元格级别解析的表格等复杂文档，RAGFlow 的能力要强大得多。Quivr 更简单、集成速度更快，并且在处理标准的纯文本密集型文档时表现良好；而 RAGFlow 则是应对企业级文档复杂性的更重型的选择。Quivr 预设的默认配置对于追求速度的团队来说是一大特色；但对于需要对分块和重排策略进行细粒度控制的团队来说，则是一种限制。

“对于个人知识管理（PKM）来说，Web 应用本质上太慢了，而且无法通过快捷键访问” —— Douglas Keiller，Product Hunt，2023 年

开发者集成的真实体验

作为开发者，设置 Quivr 真的非常快。Python 包在几秒钟内即可安装完毕，连接到带有 pgvector 的现有 Postgres 数据库，对于任何熟悉 Python 的人来说，一个基础的 RAG 工作流在不到一小时内就能运行起来。文档涵盖了最常见的模式：基础 RAG、自定义 LLM 配置、自定义向量数据库设置以及 Megaparse 文件摄取。

该框架“带有主见”的方法意味着默认设置是合理的，但并不总是最优的。有复杂分块需求、特定领域重排或多跳推理工作流的团队，将会触及默认配置的处理极限。该库开箱即用时并未提供 RAGFlow 级别的复杂文档解析功能。包含复杂表格、混合语言或扫描页面的重型 PDF 文件，最好在摄取之前通过专用的 OCR 管道进行预处理。

托管的 quivr.app 消费者体验与库的体验是分开的。使用 Web 应用的非开发者会看到一个简洁的仪表板、快速的上传处理，以及对典型 PDF 和文本内容的准确检索。令人沮丧的地方在于积分机制：频繁使用 GPT-4 聊天的用户会很快触及免费额度的上限，而且在对话中途耗尽积分之前，没有任何自动的积分补充提示。

围绕 Quivr 的社区在 Discord 和 GitHub 上非常活跃。截至 2025 年初，GitHub 仓库显示有 353 个以上的版本发布，并有活跃的 Issue 分类和贡献者活动。Stan Girard 的公司还专门创建了 Megaparse，因为 Quivr 需要更好的文件解析功能，这展示了使生态系统自我强化的垂直整合能力。要了解 Quivr 如何融入更广泛的生成式 AI 应用开发模式，还可以参考 LangChain 和 Dify，它们在解决将 LLM 连接到数据这一相同问题时，采用了不同的架构方法。

“我们意识到许多人在构建 RAG 时遇到了困难，因此，我们没有强推完整的企业级产品，而是让你能够轻松地将 RAG 添加到你的产品中，而无需部署一个成熟的企业级应用程序。” —— Stan Girard，LinkedIn，2024 年

Quivr 是为谁打造的

Quivr 非常适合需要将文档检索功能添加到正在构建的产品中的 Python 开发者和工程团队。如果你的产品涉及用户上传文件、跨知识库查询或询问有关公司文档的问题，Quivr 可以为你提供一个生产就绪的管道，而无需从头开始编写检索基础设施。

熟悉自托管并希望拥有完全私有的文档问答系统的研究人员和知识工作者也非常契合。Apache 2.0 许可意味着没有供应商锁定，数据不会离开你的基础设施，也没有订阅费用。一个拥有 500 份 PDF 且知道如何运行 Docker 的研究人员，在一个下午就能搭建起一个私有的、可搜索的知识库。

Quivr 特别适合已经在使用 Postgres 的团队，因为 PGVector 的集成意味着除了他们可能已经在运行的基础设施之外，不需要任何额外的设施。它也非常适合需要保持 LLM 选择灵活性的用例，例如在成本管理要求根据查询复杂性在 GPT-3.5 和 GPT-4 之间切换的项目中，或者在合规性要求使用本地部署模型的场景中。

quivr.app 上的托管云版本将可用性扩展到了非开发者，他们只需要一个个人 AI 知识助手，而无需进行基础设施设置。它非常适合查询量适中的个人。针对大型文档集合进行大量日常研究的用户将很快超出免费额度，并需要权衡付费积分成本与自托管的复杂性。

对于正在评估更广泛的 RAG 赋能应用领域的团队来说，如果涉及需要高级解析的复杂企业文档工作流，RAGFlow 值得一试。

Quivr 不是什么

Quivr 不是一个独立的应用程序。如果你想下载某个东西，启动它，然后就有一个现成的产品供你的团队使用，那么 AnythingLLM 或类似的多合一工具才是正确的选择。Quivr 需要一个宿主应用程序来包裹它。

Quivr 不是一个聊天界面。它没有内置的 UI。托管的 quivr.app 提供了一个界面，但开源库本身没有前端。需要 UI 层的团队仍然需要单独构建或采用一个。

Quivr 不适合需要精美知识管理软件（具有每日笔记、图谱视图或 Wiki 式链接等功能）的非技术用户。这些用户更适合使用 Notion AI、带有合适插件的 Obsidian 或类似的 PKM 工具。早期的 Product Hunt 评论反映了这一差距：期望获得类似 Obsidian 的本地优先 PKM 体验的用户发现该 Web 应用太慢且功能稀少。

Quivr 也不能替代专用的文档智能平台。对于处理扫描的保险文档、混合语言合同或复杂财务表格的组织来说，RAGFlow 结合 OCR 和布局检测的深度文档理解方法，在这些特定文档类型上的表现将优于 Quivr 较简单的摄取管道。