一个以 CLI 为核心的上下文图谱,为 AI 编码代理索引代码、工单和团队知识,让代理掌握项目背景。
apecloud/ApeRAG
生产可用的 RAG 平台,融合图谱 RAG、向量与全文检索、多模态解析和 AI 智能体,支持 Docker Compose 或 Kubernetes 部署。
- Star
- 1,322
- Fork
- 147
- 未关闭 Issue
- 37
- 最近提交
- 上个月
这是什么?
ApeRAG 是一个检索增强生成(RAG)平台,用于基于自有文档构建知识库。它同时支持向量、全文、图谱、摘要和视觉五类索引,查询时可组合多种检索方式。图谱部分基于经过大幅修改的 LightRAG,并通过实体合并让知识图谱更清晰。
平台可处理包含图片、图表和表格的多模态文档,并提供可选的 MinerU 解析服务(支持 GPU 加速),适合复杂 PDF 和公式内容。内置的 AI 智能体可自动筛选相关知识库、检索内容并进行网络搜索。同时提供 MCP 服务,方便支持 Model Context Protocol 的 AI 助手直接查询知识库。
本地使用可通过 Docker Compose 快速启动;生产环境可用 Helm Chart 部署到 Kubernetes,并可借助 KubeBlocks 部署 PostgreSQL、Redis、Qdrant、Elasticsearch 和 Neo4j。后端采用 FastAPI,前端为 React,异步任务由 Celery 处理。
核心功能
- 01支持向量、全文、图谱、摘要和视觉五类索引
- 02基于改造版 LightRAG 的图谱检索,并支持实体合并
- 03提供 MCP 服务,便于 AI 助手直接查询知识库
- 04支持多模态文档解析,可选 MinerU 服务与 GPU 加速
- 05提供 Helm Chart 和 KubeBlocks 脚本,用于 Kubernetes 部署
适用场景
- 基于内部文档搭建私有问答系统
- 通过 MCP 将 AI 助手接入团队知识库
- 将含表格和公式的技术 PDF 解析为可检索的知识图谱
- 在 Kubernetes 上自托管 RAG 服务并使用托管数据库
快速上手
- 1
克隆代码仓库
git clone https://github.com/apecloud/ApeRAG.git - 2
进入项目目录
cd ApeRAG - 3
将环境变量模板复制为 .env
cp envs/env.template .env - 4
使用 Docker Compose 启动服务
docker-compose up -d --pull always
使用前须知
- 需要安装 Docker 和 Docker Compose,且至少 2 个 CPU 核心和 4 GiB 内存。
- 完整的 Kubernetes 部署需要集群;默认包含的 doc-ray 服务需要 4 核以上 CPU 和 8 GB 以上内存。
收录于专题
标签
常见问题
- ApeRAG 是什么?
- 生产可用的 RAG 平台,融合图谱 RAG、向量与全文检索、多模态解析和 AI 智能体,支持 Docker Compose 或 Kubernetes 部署。 ApeRAG 是一个检索增强生成(RAG)平台,用于基于自有文档构建知识库。它同时支持向量、全文、图谱、摘要和视觉五类索引,查询时可组合多种检索方式。图谱部分基于经过大幅修改的 LightRAG,并通过实体合并让知识图谱更清晰。
- ApeRAG 可以免费使用吗?用的什么许可证?
- ApeRAG 以 Apache-2.0 许可证开源。用于商业产品前,请先确认许可证条款。
- ApeRAG 还在维护吗?
- 半年内有更新。ApeRAG 最近一次提交是在 2026年9月12日。
- ApeRAG 适合用来做什么?
- 基于内部文档搭建私有问答系统 通过 MCP 将 AI 助手接入团队知识库 将含表格和公式的技术 PDF 解析为可检索的知识图谱 在 Kubernetes 上自托管 RAG 服务并使用托管数据库
- ApeRAG 怎么安装和运行?
- 克隆代码仓库: git clone https://github.com/apecloud/ApeRAG.git 进入项目目录: cd ApeRAG 将环境变量模板复制为 .env: cp envs/env.template .env 使用 Docker Compose 启动服务: docker-compose up -d --pull always
- 在哪里获取 ApeRAG?
- 源代码和安装说明在 GitHub 上:https://github.com/apecloud/ApeRAG
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
面向 AI 智能体的 Java 原生长期记忆与上下文引擎,将对话、文档和工具调用转为可检索的结构化记忆。
基于 Python 与 Rust 内核的增量数据管道框架,让向量索引和知识图谱随源数据变化持续同步,服务于 AI 智能体与 RAG 应用。
为 AI 智能体和应用提供长期记忆层,跨会话保存并检索用户与上下文信息。
面向 AI 智能体的记忆系统,支持存储、检索与反思记忆,让智能体随时间学习而非仅回放对话历史。
面向 AI 系统的 Python 图原生上下文基础设施,提供知识图谱、本体、推理与决策溯源。