Quivr
Quivr是YC孵化的开源RAG框架，GitHub 39k+星标。5行代码搭建知识库问答系统，支持OpenAI、Claude等多LLM和Ollama本地部署，Apache 2.0开源免费。
| 基本信息 | 详情 |
|---|---|
| 开发公司 | QuivrHQ（Y Combinator孵化项目） |
| 上线时间 | 2023年5月 |
| 官网 | https://www.quivr.app/ |
| 支持平台 | Web端、开源本地部署（Docker） |
| 价格 | 开源免费（Apache 2.0）；云端版有免费Demo，企业版€150/月起 |
| 核心定位 | 开源RAG框架，打造个人和企业的"第二大脑"知识助手 |
Quivr是Y Combinator孵化的一个开源RAG（检索增强生成）框架，GitHub星标超过39,000。说白了，它让你上传文档，然后像跟专家对话一样从文档里获取信息。定位是"第二大脑"--你可以把它理解为加了AI引擎的Obsidian。
跟LangChain那种组件式拼装不同，Quivr走的是"固化架构"路线。5行代码就能跑起来一个可用的知识问答系统，不用从零搭RAG管道。你创建一个"Brain"实例，丢进去几个PDF和TXT文件，调一下ask()方法，就能开始提问了。这种设计让开发者能专注于产品功能而不是RAG底层实现。
Quivr支持多种LLM后端--OpenAI、Anthropic Claude、Mistral、Gemma，还有通过Ollama跑的本地模型。文件格式覆盖PDF、TXT、Markdown、PPT、Excel、Word，甚至音视频。它还集成了Megaparse做高级文档解析，Cohere做结果重排序。技术栈用的是FastAPI + Next.js + Supabase，整体架构比较现代化。
核心功能
Brain知识库系统
Quivr的核心概念是"Brain"--每个Brain就是一个独立的知识库实例。你可以创建多个Brain来管理不同类型的知识，比如一个放技术文档、一个放产品需求、一个放客户资料。Brain之间数据隔离，权限独立。
多格式文档摄入
支持PDF、TXT、Markdown、PPT、Excel、Word等常见格式。上传后AI自动解析文档结构、提取文本、做向量化处理。复杂文档可以走Megaparse做结构化解析，处理带表格、分层结构的文件效果更好。
多LLM后端切换
不绑定单一模型供应商。今天用OpenAI，明天想换Claude，改个环境变量就行。也支持通过Ollama跑本地模型，数据不出本机，适合对隐私要求高的场景。
YAML工作流定制
通过YAML配置文件控制RAG流程的细节：重排序策略、历史对话轮数、token限制、温度参数。不用改代码，改配置文件就能调整检索行为。
Web UI + API双栈
提供浏览器界面管理文档和对话，也提供API接口方便集成到自己的系统里。前端用Next.js，后端FastAPI，支持Docker一键部署。
适合谁
适合的：想快速搭建知识库问答系统的开发者、需要私有化部署的企业团队、研究人员处理大量文献资料、产品团队想给应用加文档问答功能。
不太适合的：需要复杂多Agent工作流的场景（Quivr的"opinionated"设计在灵活性上有取舍）；已经在LangChain/LlamaIndex上重度投入的团队（迁移成本不低）；需要处理视频、结构化数据库等非文本数据的场景。
同类竞品对比
| 维度 | Quivr | Dify | RAGFlow | LangChain |
|---|---|---|---|---|
| GitHub星标 | 39k+ | 151k+ | 86k+ | 98k+ |
| 核心定位 | 第二大脑RAG框架 | 可视化LLM应用平台 | 深度文档理解RAG引擎 | 通用LLM开发框架 |
| 上手难度 | 低（5行代码） | 低（可视化拖拽） | 中 | 高（组件式拼装） |
| 定制灵活性 | 中（YAML配置） | 高 | 中 | 极高 |
| 本地模型支持 | 支持（Ollama） | 支持 | 支持 | 支持 |
| 文档解析能力 | 中（集成Megaparse） | 中 | 强（深度理解） | 弱（需自行集成） |
| 适合场景 | 个人/团队知识库 | 企业级LLM应用 | 复杂文档问答 | 定制化RAG开发 |
Quivr和Dify的区别很明确：Dify是可视化平台，面向不想写代码的用户；Quivr是Python框架，面向开发者。如果你要快速搭一个知识库问答，Quivr更轻量。如果你要做复杂的企业级LLM应用流程编排，Dify更合适。RAGFlow在文档理解深度上更强，但上手门槛也更高。
FAQ
Quivr是免费的吗？
开源版本完全免费，Apache 2.0许可证，可以商用。云端版（quivr.app）有免费Demo可以体验，完整功能需要付费。企业支持版（quivr.com）起价€150/月，按使用量计费。
部署Quivr需要什么技术能力？
需要Python 3.10+和Docker。基本部署流程：克隆仓库、配置环境变量（主要是LLM API Key）、docker compose up。如果你用quivr-core Python包，pip安装后5行代码就能跑。但对非技术人员来说，部署和维护还是有一定门槛。
支持中文文档吗？
支持。Quivr的文档解析和多语言模型兼容性较好，中文PDF、Markdown文件都能处理。检索质量取决于你选的Embedding模型和LLM，用OpenAI的模型处理中文效果不错。
数据安全怎么保障？
开源版支持完全本地部署，数据不离开你的服务器。通过Ollama跑本地LLM，连API调用都不需要。云端版提供GDPR和SOC2合规支持。对于金融、医疗等敏感行业，本地部署是首选。
和ChatGPT相比有什么优势？
ChatGPT是基于通用知识的对话工具，它不知道你公司的内部文档。Quivr是RAG系统，它从你上传的文档里检索信息回答问题，答案有来源、可追溯。两者不是替代关系--Quivr更像是给ChatGPT加了一个"你的私有知识库"外挂。
Quivr的"opinionated"设计是什么意思？
意思是Quivr帮你做了很多技术选型决策：用什么向量数据库、怎么做chunk切分、检索策略怎么配。好处是你不用自己从头研究这些，坏处是如果你想精细控制RAG管道的每个环节，Quivr的灵活性不如LangChain。
更新动态
客户评论
综合评分：4.2/5（基于GitHub社区反馈和SaaSworthy等平台数据汇总）
"Quivr最大的价值是省时间。以前用LangChain搭RAG要折腾好几天，现在pip install quivr-core，5行代码就跑起来了。当然opinionated的代价是定制性差一些，但80%的场景够用了。"--独立开发者
"我们用Quivr搭建了公司内部知识库，员工上传制度文档和技术手册后直接提问。用了Ollama跑本地模型，数据完全不出公司。部署花了一个下午，效果比预期好。"--某科技公司CTO
"起初我以为Quivr是个笔记工具，结果发现它是个RAG框架，需要写代码。非技术背景的用户可能更适合用Dify这种可视化平台。"--产品经理
参考来源
- ▸GitHub | QuivrHQ/quivr, Quivr开源项目仓库，39k+星标
- ▸Quivr官网 | Your productivity assistant, Quivr云端版产品介绍
- ▸Quivr定价页 | Scale your support team, 企业支持版定价与功能详情
- ▸SaaSworthy | Quivr, 第三方SaaS评测平台对Quivr的功能评分
- ▸AI/TLDR | Quivr工具分析, AI工具评测站对Quivr RAG框架的技术解析
- ▸AgentoolRank | Quivr深度分析, AI工具排名网站对Quivr的竞品对比分析