Serviette 自建 RAG 知识库:5.8 万星,不用写代码把文档变成问答机器人

pathwaycom/serviette

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

  1. 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。
  2. 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。
  3. 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。

项目地址:github.com/pathwaycom/serviette

© 版权声明
THE END
喜欢就支持一下吧
点赞31 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容