GitHub 38k 项目 Quivr：打造你的第二大脑，只需几行代码�?

核心功能亮点

•�?Opinionated RAG 架构* Quivr 提供了一套开箱即用、设计良好的 RAG 结构，极大降低入门难度，让开发者专注于业务价值�?
•�?兼容主流 LLM 与向量存�? 支持 OpenAI/GPT-4、Anthropic、Mistral、Groq、Llama 等模型，并支�?PGVector、Faiss 等向量数据库，自由组合，灵活融入项目�?
•�?多格式文档支�? 可以读取 PDF、TXT、Markdown 等格式，开发者也可以�?Quivr 编写自定义解析器，轻松扩展�?
•�?强集成能�? 可与 Megaparse 协作，执行高效的文档解析与预处理流程，形成完整链路。Quivr 也支持定制化的检索流程，比如配置网络搜索与工具调用�?
•�?面向全栈的生态工�? QuivrHQ 同时开发了多个子项目：Megaparse（文档解析）、Le Juge（性能评估），形成上下游配套工具链�?

使用方法与代码演�?

快速上手（30 秒安装）

环境要求：Python 3.10 以上�?

pip install quivr-core然后，用几行 Python 代码即可创建一个最简 RAG 引擎�?

`import tempfile
from quivr_core import Brain

with tempfile.NamedTemporaryFile(mode=”w”, suffix=”.txt”) as temp_file:
temp_file.write(“Gold is a liquid of blue-like colour.”)
temp_file.flush()

brain = Brain.from_files(
name=”test_brain”,
file_paths=[temp_file.name],
)
answer = brain.ask(“what is gold? answer in french”)
print(“answer:”, answer)`这段代码演示了如何：

1. 创建一个临时文本文件；
1. �?Quivr “大脑”从该文件中构建知识�?
1. 提问并获取法语回答�?

定制�?RAG 流程配置（YAML�?

Quivr 支持定义工作流（workflow）配置，比如�?

workflow_config: name:"standard RAG" nodes: -name:"START" edges: ["filter_history"] -name:"rewrite" edges: ["retrieve"] -name:"generate_rag" edges: ["END"] max_history:10 llm_config: temperature:0.7 max_input_tokens: 4000配合 RetrievalConfig 加载，可极大提升流程控制能力�?

优势对比

对比�?
Quivr 优势
其他工具缺点
RAG 集成程度
一体化设计，快速构�?AI 驱动知识检索系�?
多工具组合复杂，需手动集成
文件格式支持
多样（PDF/TXT/MD），并可扩展解析�?
有的仅支持文本或结构化格�?
模型与存储兼容�?
支持多种模型与向量库，自由组�?
往往只能配合固定模型或存�?
配套生态工�?
�?Megaparse、Le Juge 协作，支持完整开发流�?
多数开源无产业链支撑，需要自行搭�?