rag.computer

自托管 RAG 后端，文档丢进去，API 吐检索结果

rag.computer 是一个可自托管的 RAG（检索增强生成）平台，把文档入库、向量化和向量检索封装成一套简单的 REST API。它解决的是团队想快速搭建私有知识库问答，却要自己拼装文档解析、嵌入模型、向量数据库和检索逻辑的问题。核心能力包括：接收文档并完成切分与嵌入，存入向量库，再通过 API 做相似度检索，返回相关片段供上层 LLM 使用。项目用 Python 编写，强调自托管和轻量，适合对数据隐私敏感、不想依赖第三方 SaaS 的场景。整体定位是 RAG 的中间层基础设施，而不是完整应用，开发者可以把它当作后端服务，接入自己的前端或聊天机器人。

开源 unknown 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 100

维护状态较活跃

是否开源是

定价模式 unknown

项目数据

分类搜索知识

开发团队bigint

所属国家

官网地址https://rag.computer

GitHubhttps://github.com/bigint/rag.computer

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型ai,embeddings,rag,rag-pipeline,vector-database

GitHub 星标★ 100

30天Star增速

HF 下载量

上线时间2026-03-28 00:00:00

最近更新2026-09-14 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-18

浏览次数0

使用教程

核心亮点

把文档入库、嵌入、向量检索打包成 REST API，省去自己拼装 RAG 链路
支持自托管，数据不出内网，适合隐私敏感场景
Python 实现，技术栈常见，便于二次开发和接入现有系统

不足之处

项目早期，星标仅 100，生态和周边工具较少
文档与社区规模有限，长期维护和更新频率待观察

适用场景

企业内部私有文档知识库问答
给 LLM 应用快速加一个可自托管的检索后端
个人或小团队搭建本地 RAG 实验环境

替代项目

Danswer、RAGFlow、LlamaIndex

项目介绍

rag.computer 是一个搜索知识领域的开源项目，官方简介：Self-hostable RAG platform - document ingestion, embedding, and vector search behind a simple REST API。项目使用 Python 开发，在 GitHub 上获得 100 星标。

上一篇：heimdall

下一篇：notebooklm-skill