我开源了一个轻量级知识库工具：EasyRAG使用分享

VHw8TzVkt

为什么我要开发它？

老实说，市面上类似工具不少，但要么太重，要么需要联网，所以我就想做个够用、够轻、够简单的工具，主要解决这几个我自己的痛点：

• 本地文档太多，找起来头疼
  
• 不想把文档传到云端（有些是公司内部资料）
  
• 普通笔记本性能有限，不想装太多大型软件
  
• 希望能快速获取多文档的关键信息
  

主界面


文件上传


这部分我花了不少时间优化用户体验。上传很简单，拖拽就行。支持PDF、Word、TXT等格式。还有批量处理功能，因为经常会一次性处理一个项目的多个文档，一个个上传太烦了。后台会自动提取内容。
开发EasyRAG时，我特别重视文档分块这一环节，因为它直接影响检索质量。我最终实现了六种分块策略：text_semantic结合了语义和文本特征，是我处理大多数文档的首选；对于内容连贯性强的论文，我通常用纯semantic方法；遇到结构化文档时，hierarchical和markdown_header策略效果更好；而对于没有明显结构的长文本，recursive_character递归分块表现不错；特别是在搜索场景中，bm25分块算法的准确率有明显提升。这套多策略分块系统让EasyRAG能够智能处理各种类型的文档，而不是用一刀切的方式，这也是我反复测试后最满意的一个功能点。
文档检索


我这块检索是利用了向量库faiss以及gte embedding模型和gte的rerank模型来实现的，效果上基本可以满足语义检索的要求。
智能问答


会自动下载一个7b的小模型对检索的内容进行总结回答。
配置要求

做这个项目时我有个很明确的目标：一定要能在普通电脑上流畅运行。因为我自己的笔记本也就是普通配置，不想搞得电脑动不动就卡死。

• 完全本地部署，数据不出本机
  
• 最低配置要求：4GB内存，2核CPU
  
• 不需要GPU，用CPU就能跑得不错
  
• 占用资源比较少，后台运行不影响其他工作
  

在数据处理方面，我加了一些自己的小创新：

• 自动根据文档特点选择不同的分块策略
  
• 只索引重要内容，过滤掉废话
  
• 检索算法做了优化，在保证准确率的同时提高速度
  

使用建议

用了一段时间后，我发现几个提升体验的小技巧：

• PDF文件最好是文本型的，图片型的识别率会低一些（也是基于本地ocr模型跑的，如果使用的cpu的话解析速度也会很感人）
  
• 文件不要太大，最好拆分一下，处理速度会更快
  
• 用固态硬盘的话速度会有明显提升（我换了SSD后快了不少）
  
• 内存够用的话可以适当提高并发数，处理多文件会更快
  

后续计划

这个项目还在不断完善中，我计划增加这些功能：

• 增加多语言支持
  
• 提供更多自定义选项
  
• 增加结构化数据库的同步支持
  
• 对接dify知识库的接口支持
  

如果你也有好的想法，欢迎在GitHub上提issue或者PR：EasyRAG项目地址：https://github.com/BetaStreetOmnis/EasyRAG
写在最后

2025年的今天，AI创新已如井喷，几乎每天都有新的技术出现。作为亲历三次AI浪潮的技术人，我坚信AI不是替代人类，而是让我们从重复工作中解放出来，专注于更有创造性的事情，关注我们公众号口袋大数据，一起探索大模型落地的无限可能！