Quivr

一、平台定位

二、核心能力

1. 多源文档接入

    

   支持PDF、Markdown、TXT、PPT、Excel、代码文件、图片、视频等全格式文档，甚至可扩展自定义解析器，任何格式的知识都能被理解和检索。
    
2. 多模型兼容

    

   兼容OpenAI、Anthropic Claude、Mistral、Gemma等主流LLM，也支持通过Ollama接入本地模型，灵活选择最适合的模型。
    
3. 优化RAG工作流

    

   封装经过优化的opinionated RAG工作流，支持历史过滤、查询重写、文档检索、Reranker重排、上下文生成等完整链路，开发者无需从零构建RAG系统。
    
4. Megaparse集成

    

   深度集成文档解析工具Megaparse，支持异步结构化文档解析，高效处理复杂表单和分层结构文档，解析质量行业领先。
    
5. Web UI + API双栈

    

   提供美观的Web界面管理知识库和对话，同时提供完整的API接口，可集成到自有业务系统中，支持多用户和多对话。
    
6. 5行代码快速集成

    

   pip install quivr-core即可使用，5行Python代码创建Brain实例并开始问答，开发者友好，上手极快。
    

三、适用场景

1. 个人知识管理

    

   将散落的笔记、论文、代码片段、视频等整合成可问答的"第二大脑"，用自然语言提问即可精准检索，告别关键词搜索的低效模式。
    
2. 企业内部知识库

    

   企业上传文档、政策手册、技术规范，员工通过聊天方式快速检索所需信息，私有化部署确保数据安全。
    
3. 研发文档助手

    

   将设计文档、API文档上传至Quivr，开发人员通过自然语言快速查找技术细节，比翻阅文档效率提升数倍。
    
4. 教育与学习辅助

    

   学生将教材和课件上传，通过对话提问理解重点，AI基于文档内容给出有来源引用的精准回答。
    

四、使用流程

1. 安装部署：pip install quivr-core 或 Docker部署Web版
2. 配置模型：设置OpenAI/Anthropic API Key或配置Ollama本地模型
3. 创建Brain：Brain.from_files()上传文档创建知识库
4. 提问问答：brain.ask()用自然语言提问，获取基于文档的精准回答
5. 自定义工作流：通过YAML配置RAG工作流参数（chunk大小、reranker等）
6. API集成：将Quivr API集成到自有应用中

五、产品定价

六、与Dify、FastGPT的简要对比

七、数据安全与隐私保护

• 数据加密：支持全链路加密，本地部署数据完全自主
• 数据留存：本地部署数据完全由用户控制，云版可配置保留策略
• 合规认证：开源代码可审计，社区持续安全审查
• 隐私政策：本地部署模式下数据不出服务器，零隐私泄露风险
• 私有化部署：完全支持Docker私有化部署，数据完全自主可控

八、入口说明