项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-10-25 · 当前星标 ★ 1581
使用教程
环境要求
- 已安装 Git,能把仓库克隆到本地
- 一个可用的 Supabase 项目(用于存储用户数据)
- 本地有足够磁盘空间存放 gpt4all 模型文件
- 云端部署需准备对应云平台账号(GCP/AWS/Azure)与 Terraform 运行环境
安装与启动步骤
-
1克隆项目代码
把仓库下载到本地并进入目录,后续所有脚本都在仓库根目录下执行。
git clone https://github.com/finic-ai/rag-stack.git cd rag-stack -
2复制环境变量模板
分别从前端和后端的示例文件复制出 .env,不要直接修改示例文件本身。
cp ragstack-ui/local.env ragstack-ui/.env cp server/example.env server/.env -
3填写 Supabase 密钥
在 Supabase 控制台 Settings > API 找到项目 URL 与密钥,分别填入两个 .env 文件。
-
4创建用户表
在 Supabase 建 ragstack_users 表:id/app_id/secret_key 为 uuid,email/avatar_url/full_name 为 text。
-
5启动本地服务
脚本会把 gpt4all 模型下载到 server/llm/local/,并启动服务端、本地 LLM 与 Qdrant 向量库。
scripts/local/run-dev -
6确认启动完成
终端出现 Application startup complete 即表示服务端、LLM 与向量库都已就绪。
-
7云端一键部署
GCP/AWS/Azure 各有 Terraform 脚本,AWS 为 scripts/aws/deploy-aws.sh,Azure 为 ./azure/deploy-aks.sh,按提示填写参数。
scripts/gcp/deploy-gcp.sh -
8配置前端地址
云端部署后在 ragstack-ui 下新建 .env,把 VITE_SERVER_URL 设为后端服务或负载均衡地址。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
YOUR_SUPABASE_URL | 是 | Supabase 项目 URL,服务端与前端两个 .env 都要填 | https://abcdefgh.supabase.co |
YOUR_SUPABASE_KEY | 是 | server/.env 中使用的 Supabase 密钥 | eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.xxxx |
YOUR_SUPABASE_PUBLIC_KEY | 是 | ragstack-ui/.env 中使用的 Supabase 密钥 | eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.xxxx |
VITE_SERVER_URL | 否 | 云端部署时前端访问的后端服务地址 | https://ragstack-server.example.com |
如何确认成功
日志出现 INFO: Application startup complete. 即表示服务端、LLM 与 Qdrant 均已启动成功。
常见问题
Q:本地启动脚本会下载什么?
A:run-dev 会自动下载 ggml-gpt4all-j-v1.3-groovy.bin 到 server/llm/local/ 目录,并启动服务端、LLM 与 Qdrant。
Q:Falcon-7B 部署步骤报错怎么办?
A:先执行 gcloud config set compute/zone 你的区域、获取 gpu-cluster 凭据、apply NVIDIA 驱动 daemonset,然后重新运行部署脚本。
Q:用户表加了行级安全策略还能写入吗?
A:需要给 insert 和 select 加上 WITH CHECK 表达式 (auth.uid() = id),否则写入会被拒绝。
Q:这个项目还在维护吗?
A:README 明确说明 rag-stack 是遗留项目,已不再维护,建议只作学习或内部验证使用。
注意事项
- 项目已停止维护,长期使用需自行评估依赖与安全更新。
- 三套云端部署脚本均基于 Terraform 实现,运行前请确保相关命令可用。
- Azure AKS 方案使用 NVIDIA Tesla T4 节点池,并非所有订阅都可用。
- 本地运行前需先准备好 Supabase 项目,否则服务无法正常启动。
核心亮点
- 提供完整的 RAG 问答链路和部署配置,开箱即可在 VPC 内拉起私有问答服务
- 支持 Llama 2、Falcon、GPT4All 等多种开源模型,可替换模型而不改整体架构
- TypeScript 实现,前后端与基础设施代码集中,便于二次开发和接入自有数据源
不足之处
- 项目定位偏部署模板,知识库接入、权限与多租户等企业级能力仍需自行补齐
- 社区规模较小,文档与问题排查资料有限,长期维护情况待观察
适用场景
- 企业内部文档与制度问答助手
- 研发团队在私有环境搭建知识检索问答原型
- 对数据外发敏感的组织构建内部知识库问答入口
替代项目
LangChain、PrivateGPT、Danswer
同类项目推荐
knowledge
开源
把网站和文件存起来,随时搜索还能直接聊。
Knowledge is a tool for saving, searching, accessing, exploring and chatting with al···
Local_Pdf_Chat_RAG
开源
本地PDF秒变知识库,和大模型聊天提问
Transparent Python RAG reference with FAISS + BM25 hybrid retrieval, reranking, Grad···
kotaemon
开源
文档拖进来就能聊,界面清爽答得还靠谱
An open-source RAG-based tool for chatting with your documents.
ragpi
开源
用你的文档,搭建专属 AI 问答助手。
An open-source AI assistant answering questions using your docs
WikiChat
开源
让聊天机器人不再胡说八道,回答自带来源引用
WikiChat is an improved RAG. It stops the hallucination of large language models by ···
pandas-ai
开源
用大白话跟数据库聊天,秒出分析结果
Chat with your database or your datalake (SQL, CSV, parquet). PandasAI makes data an···
deep-searcher
开源
在私有数据上,像专业研究员一样深度搜索并生成报告
Open Source Deep Research Alternative to Reason and Search on Private Data. Written ···
ketch
开源
让 AI 代理秒搜网页,无状态抓取快人一步
Fast, stateless CLI for web search and scrape. Built for AI agents.
NanoSage
开源
本地 LLM 驱动,递归搜索+知识图谱,快速吃透复杂主题
Local LLM Powered Recursive Search & Smart Knowledge Explorer
