
公司里最典型的浪费,是「有人问过,但没人翻得出来」。文档躺在某个人的网盘里,答案在某次会议纪要里,新人一遍遍问同样的问题。
Serviette 就是冲着这件事来的:58,704 颗星,Python 写的无代码 RAG 服务器,把「文档」变成「能回答问题的知识库」。
它是什么
RAG(检索增强生成)这套东西,技术圈已经讲烂了,但落地一直很麻烦:要切分文档、要选向量库、要拼 Prompt、要接模型、要做检索。
Serviette 把这些全部打包成一个服务:你把文档丢进去,它自己同步、自己索引、自己回答。不用写代码。
核心能力
- 自动同步文档:文档更新了,知识库跟着变,不用手动重建索引
- 支持 8 种向量库:从轻量的 Chroma 到企业的 Milvus 都能接
- 多种文档格式:PDF、Word、Markdown、网页都能吃
- 内置 API:对外提供问答接口,方便接到客服、内部工具里
- 带权限:不同用户看到不同范围的文档
部署思路
官方提供 Docker 镜像,核心是配置文件:指定文档目录、向量库地址、模型 API Key,起来后它自己做增量同步。
# 拉镜像
docker pull pathwaycom/serviette
# 挂载文档目录 + 配置,示例以官方文档为准
docker run -d --name serviette \
-p 8000:8000 \
-v /path/to/docs:/data/documents \
-v /path/to/config:/data/config \
pathwaycom/serviette
三个实战提醒
- 它要调外部大模型。RAG 的「生成」这一步需要 LLM,你得准备 OpenAI / DeepSeek 之类的 API Key,这部分是持续成本。
- 文档质量决定回答质量。垃圾进垃圾出,把过期的、重复的文档喂进去,它只会更自信地胡说。
- 向量库别用默认的。小规模测试用 Chroma 没问题,文档上万条之后必须换 Milvus 或 Qdrant,否则检索速度会崩。
适合谁
有内部文档、想做个「公司 Wiki 问答机器人」的团队。个人用有点重,但如果你手上有几十份产品手册、政策文件要反复查,它确实能省下大量翻找时间。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
THE END






















暂无评论内容