Repolode
Предложить
netease-youdao

netease-youdao/QAnything

Локальная система вопросов и ответов по вашей базе знаний: задавайте вопросы по PDF, Word, Excel, Markdown, изображениям и другим файлам, в том числе без подключения к сети.

Open source альтернатива:ChatPDFNotion AI

Открыть на GitHubСайт
Звёзды
14,205
Форки
1,351
Открытые issues
407
Последний коммит
2 месяца назад

Что это?

QAnything — система вопросов и ответов по локальным базам знаний. Загрузите файлы в форматах PDF, DOCX, PPTX, XLSX, Markdown, email, TXT, изображения, CSV или веб-страницы — система ответит на вопросы по их содержимому. Она разбирает документы, делит их на фрагменты и находит релевантные отрывки, которые затем передаёт языковой модели.

Поиск выполняется в два этапа: сначала по эмбеддингам, затем с помощью reranking. По заявлению проекта, такой подход помогает сохранять стабильную точность при увеличении объёма данных. Также поддерживается гибридный поиск, объединяющий BM25 и эмбеддинги. По умолчанию система работает на CPU и запускается через Docker Compose. Компоненты для разбора PDF, OCR, создания эмбеддингов и reranking можно заменять или вызывать отдельно по HTTP. Доступ к LLM осуществляется через OpenAI-совместимый интерфейс, поэтому для работы с локальными моделями можно использовать, например, Ollama.

Помимо стандартного режима вопросов и ответов, доступны быстрый чат с файлом без создания базы знаний, режим только поиска, который возвращает результаты без вызова модели, и пользовательские боты. В версии 2.0 также появились API и редактирование разобранных фрагментов онлайн.

Ключевые возможности

  • 01Разбирает PDF, Word, PowerPoint, Excel, Markdown, email, изображения, CSV и веб-страницы
  • 02Двухэтапный поиск: поиск по эмбеддингам и reranking, а также гибридный поиск с BM25
  • 03По умолчанию работает на CPU и запускается одной командой Docker Compose
  • 04Работает с любым OpenAI-совместимым LLM endpoint, включая локальные модели через Ollama
  • 05Поддерживает развёртывание без подключения к сети
  • 06Предлагает быстрый режим, режим только поиска и пользовательских ботов, а также HTTP API

Сценарии использования

  • Задавать вопросы по папке с внутренними руководствами, отчётами или договорами, не загружая их в облачный сервис
  • Создать офлайн-инструмент для ответов на вопросы в изолированном от сети офисе или лаборатории
  • Искать по набору PDF-файлов, таблиц и писем с помощью одного запроса
  • Прототипировать RAG-процесс с заменяемыми компонентами для создания эмбеддингов, reranking и OCR

Быстрый старт

  1. 1

    Клонируйте репозиторий qanything

  2. 2

    Перейдите в корневой каталог проекта и выполните команду запуска из README

  3. 3

    Откройте сервис и начните им пользоваться

Что важно знать

  • Проект распространяется по лицензии AGPL-3.0 с принципом copyleft: при предоставлении его в качестве сетевого сервиса необходимо делиться исходным кодом изменений.
  • Как указано в README, коммерческое использование встроенной LLM регулируется лицензией QwenLM.
  • Для запуска нужны Docker и локальное развертывание, поэтому самостоятельный хостинг потребует настройки.

В подборках

Частные базы знаний с ИИ и RAGИнструменты для приватности и local-first

Темы

#rag#knowledge-base#document-qa#llm#embedding#reranking#offline#docker

Частые вопросы

Что такое QAnything?
Локальная система вопросов и ответов по вашей базе знаний: задавайте вопросы по PDF, Word, Excel, Markdown, изображениям и другим файлам, в том числе без подключения к сети. QAnything — система вопросов и ответов по локальным базам знаний. Загрузите файлы в форматах PDF, DOCX, PPTX, XLSX, Markdown, email, TXT, изображения, CSV или веб-страницы — система ответит на вопросы по их содержимому. Она разбирает документы, делит их на фрагменты и находит релевантные отрывки, которые затем передаёт языковой модели.
QAnything можно использовать бесплатно? Какая у него лицензия?
QAnything распространяется с открытым исходным кодом под лицензией AGPL-3.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
QAnything всё ещё поддерживается?
Обновлялся за последние 6 месяцев. Последний коммит в QAnything — 23 сент. 2026 г..
Для чего можно использовать QAnything?
Задавать вопросы по папке с внутренними руководствами, отчётами или договорами, не загружая их в облачный сервис Создать офлайн-инструмент для ответов на вопросы в изолированном от сети офисе или лаборатории Искать по набору PDF-файлов, таблиц и писем с помощью одного запроса Прототипировать RAG-процесс с заменяемыми компонентами для создания эмбеддингов, reranking и OCR
Как установить QAnything?
Клонируйте репозиторий qanything Перейдите в корневой каталог проекта и выполните команду запуска из README Откройте сервис и начните им пользоваться
Где скачать QAnything?
Исходный код и инструкции по установке — на GitHub: https://github.com/netease-youdao/QAnything

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

arc53 / DocsGPT

Платформа для самостоятельного развёртывания AI-агентов и ассистентов, которые отвечают на вопросы по вашим документам со ссылками на источники и работают с любой моделью.

ИИ и машинное обучение#rag#llm#ai-agents
18,4 тыс.+12 за неделю2,2 тыс.PythonMITАктивно поддерживаетсяОбновлён 3 часа назад

Tencent / WeKnora

Open-source платформа знаний Tencent на базе LLM: превращает документы в RAG-систему вопросов и ответов, агента для рассуждений и автоматически поддерживаемую wiki.

ИИ и машинное обучение#rag#llm#knowledge-base
36,7 тыс.+627 за неделю5 тыс.GoOtherАктивно поддерживаетсяОбновлён 5 дней назад

nduckmink / arkon

Самостоятельно размещаемый корпоративный хаб знаний: собирает внутренние документы в вики и предоставляет её Claude и другим LLM через MCP-сервер с разграничением доступа по отделам.

ИИ и машинное обучение#mcp#rag#knowledge-base
1,5 тыс.+6 за неделю305PythonOtherОбновлён 5 месяцев назад

infiniflow / ragflow

Опенсорсный RAG-движок, объединяющий генерацию с дополненной выборкой и возможности агентов, чтобы обеспечить контекстный слой для приложений на базе LLM.

ИИ и машинное обучение#rag#retrieval-augmented-generation#llm
93,7 тыс.+470 за неделю11,3 тыс.GoApache-2.0Активно поддерживаетсяОбновлён вчера