rag-web-ui

上传文档，即刻拥有一个能聊天的知识库助手

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 375 🐛 待处理 23 👀 关注 41

GitHub ↗

GitHub 星标 ★ 3297

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，基于Apache-2.0许可证，可自行部署使用，无付费版本。

项目预览

项目数据

分类搜索知识

开发团队rag-web-ui

GitHubhttps://github.com/rag-web-ui/rag-web-ui

定价模式🏷️完全免费

价格说明开源项目，基于Apache-2.0许可证，可自行部署使用，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言TypeScript

技术栈/模型ai,deepseek,langchain,ollama,rag

GitHub 星标★ 3297

上线时间2025-01-14 00:00:00

代码更新2026-04-06

仓库体积6.3 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数3

项目介绍

RAG Web UI 是一个基于检索增强生成（RAG）技术的智能对话系统，旨在为开发者提供一套开箱即用的知识库问答界面。它解决了从零搭建 RAG 应用时前端和后端割裂、配置复杂的问题，将文档上传、向量检索、大模型对话等核心流程整合在一个 Web 应用中。项目采用 TypeScript 编写，技术栈现代，支持多种文档格式，提供可视化配置界面，用户无需深入底层即可快速部署一个具备上下文感知能力的聊天机器人。其核心能力包括文档解析、向量化存储、相似度检索、对话生成以及可定制的 UI 组件，适合用于企业内部知识库、客服助手、个人学习助手等场景。

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 2026-08-09 · 当前星标 ★ 3297

技术标签

ai deepseek langchain ollama rag

使用教程

难度：入门约 10 分钟部署方式：Docker 4 步

环境要求

Python 3.9 及以上（后端运行环境）
Node.js 18 及以上（前端运行环境）
已安装 Docker 与 Docker Compose 命令
具备可用的 LLM 服务凭证（如 OpenAI / DeepSeek API Key，或本地 Ollama）

安装与启动步骤

1克隆代码仓库

把项目源码拉到本地并进入项目根目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/rag-web-ui/rag-web-ui.git
cd rag-web-ui
```
2复制环境变量模板

把仓库自带的 .env.example 复制成 .env，这是后续所有配置的入口文件。
```
cp .env.example .env
```
3填写核心配置

编辑 .env：必填 MySQL 地址账号密码、SECRET_KEY；再按所用模型填 LLM、Embedding、向量库、MinIO 参数。
4启动全部服务

用 Docker Compose 构建镜像并后台启动服务，首次构建会拉取依赖，耗时较长属正常。
```
docker compose up -d --build
```

关键配置

配置项	必填	说明	示例
`SECRET_KEY`	是	JWT 签名密钥，用于用户登录令牌加密，必填。	`sk-xxxxxxxxxxxxxxxx`
`MYSQL_SERVER`	是	MySQL 服务地址，默认 localhost，容器部署时需指向数据库容器。	`localhost`
`MYSQL_USER`	是	MySQL 用户名，README 默认值为 postgres。	`postgres`
`CHAT_PROVIDER`	是	对话大模型服务商，可选 openai、deepseek、ollama、minimax。	`openai`
`OPENAI_API_KEY`	否	使用 OpenAI 或 OpenAI Embedding 时必填的 API 密钥。	`sk-xxxxxxxxxxxxxxxx`
`VECTOR_STORE_TYPE`	是	向量库类型，默认 chroma，也可切换为 qdrant。	`chroma`