Engineering-Knowledge-Agent：面向工程文档的本地 RAG 知识检索与问答助手

manasIO/Engineering-Knowledge-Agent · Autonomous RAG agent designed to ingest technical documentation, perform local semantic search, and synthesize engineering insights.

GitHub原文发布未知首次收录 2026-10-13上架 2026-10-13 07:01

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该项目是一个轻量的工程知识检索系统，把内部技术文档切分为文本块并用 SentenceTransformers（all-MiniLM-L6-v2）生成向量，写入持久化的 ChromaDB 向量库，再通过语义与关键词混合检索选出与问题最相关的片段，组装成提示交给本地或托管的 LLM 生成有依据的答案。项目强调隐私优先的本地推理（可对接 Ollama、llama.cpp 等）、分块与上下窗管理、以及仅基于检索内容作答以降低幻觉，适合用于内部文档搜索、运维手册与 SRE 剧本等知识密集型场景。

# 向量数据库 # 本地模型 # source-grounded # retrieval-augmented-generation # local-inference

核心能力与快速开始

★ 0 · Python

能做什么: 文档摄取与分块管线（读取 data/documents/ 下的文档、切分、归一化元数据）；使用 SentenceTransformers（all-MiniLM-L6-v2）生成文本块向量；将向量与元数据写入持久化 ChromaDB 集合并可复用；支持语义向量检索与关键词/词法匹配相结合的混合检索策略；top-k 片段选择与提示词组装；接入本地或托管 LLM 进行基于检索内容的答案生成；提供检索结果可视化的脚本（visualize_chromadb.py）；仓库内含测试与评测目录。
适用场景: 内部技术文档与工程知识库的语义搜索；开发工具链文档问答、运维手册（runbook）与 SRE 剧本检索；在不依赖外部 API 的隐私优先环境中做本地低延迟推理实验；作为 RAG 与向量检索架构的示例实现用于学习、评审与二次开发。
项目形态: 可直接使用的工具
部署方式: 未说明具体部署方式；README 提供本地运行步骤（pip 安装依赖后依次执行 app/ingest.py、app/retrieve.py、app/generate.py），向量库为本地持久化 ChromaDB，检索与生成均为本地脚本流程。
主要依赖: Python 3.12；通过 requirements.txt 安装依赖（SentenceTransformers、ChromaDB、Google GenAI SDK、python-dotenv 等）；可选本地推理后端 Ollama、llama.cpp 或自定义封装；需通过 .env 等本地环境配置模型相关凭据（README 仅提到 python-dotenv）。硬件与 API 成本未说明。
使用限制: 仓库自述为有意保持简单透明、用于架构展示的最小实现；混合检索权重策略、本地模型提供方与更丰富的分块策略均被描述为“可扩展/未来”方向，而非已内置的完整能力；模型调用成本、许可证（材料未给出 license）与商用条件未说明。
许可证: 未说明
最近推送: 2026-10-12 08:56

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-13 07:00 · 卡片整理：2026-10-13 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

程序员可将内部技术文档、运维手册和 SRE 剧本导入该 RAG 系统，通过语义与关键词混合检索快速定位相关文档片段，并基于检索内容生成有依据的答案，用于内部文档搜索和排错参考。

查看内容依据

适合用于内部文档搜索、运维手册与 SRE 剧本等知识密集型场景。

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

paper-rag-copilot：面向学术文献库的严格引用溯源 RAG 助手与幻觉评测

该项目是一个基于检索增强生成（RAG）的学术文献问答助手，面向博士论文或小型期刊论文 PDF 库，强调答案必须严格引用原文（可追溯到章节、段落范围和页码）。系统采用混合检索（稠密向量加 BM25，RRF 融合）、可选的 cross-encoder 重排，以及逐条声明的分层验证级联（逐字引用校验、多模型评审团、NLI/词面回退、规则检查）。项目还附带量化评测工具，用已知答案集衡量生成器的幻觉率，并验证评审模型本身的可信度（假接受/假拒绝率），统计上输出 Wilson 置信区间。README 也如实披露了已知局限与大量小样本评测细节。

书内 Book Learning：面向多账户教材的引文校验 RAG 学习助手

书内（Book Learning / BOOKNOTE）是一个可自托管的多账户教材学习工作区，支持上传 Markdown、TXT、DOCX 教材，提供问答、章节讲解、要点梳理与自测四种学习模式。所有回答必须基于本轮检索到的教材证据并附带可展开的原文引用（C/W 双轨引用校验），无引用或伪造引用的回答会被整体拒绝且不落库。项目还包含批注阅读器、长对话自动压缩与上下文计量、可选联网补充（MCP/智谱搜索）、自测复习与 Anki CSV 导出、只读分享链接及在线演示，数据按账户与书籍隔离，单本书一个检索上下文。

GarageAI：面向欧洲的本地 GPU 推理交易市场，通过统一 OpenAI 兼容 API 调用

GarageAI 是一个本地 AI 推理交易市场：拥有 GPU 的车库主通过 GarageAI Bridge 在用户态建立 WireGuard 隧道把算力接入网关，买家通过位于欧盟 VPS 上的 LiteLLM 网关获得 OpenAI 兼容 API，按 token 预付费调用；请求经 NetBird 网状网络（UDP 被阻断时的回退方案）路由到各家车库，支持模型 Pool 与指定车库两种购买方式，并具备自动故障转移与按 key/模型计费能力。项目强调本地化与欧洲数据主权，车库不暴露于公网，无需开放入站端口。

OpenGeekLLM：面向极客的本地 LLM 浏览器聊天应用

OpenGeekLLM 是一个以浏览器为界面的本地 LLM 聊天应用，通过启动 llama.cpp 的 llama-server 子进程完成推理，数据默认保留在本地、不向云端发送。它在聊天之外集成了 Agentic RAG、DuckDuckGo 联网搜索、服务器文件读写、Google Drive 读写、可选的外部 LLM 兜底，以及把 PDF 或网页经 OCR / HTML 清洗后自动登记进持久 RAG 的能力。项目强调精简依赖与易改造：服务端为单个 server.js（仅 express 与 ws），前端为单页 React，无需构建工具。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。