RAG 与知识系统

onyx

onyx-dot-app/onyx

可自托管的团队 AI 工作平台,整合知识连接器、检索问答、研究和工具操作;完整知识索引需选择标准部署。

★ 32K星级
⑂ 4.4KFork 数
434未解决的问题
Python语言
许可证
Q90编辑评分

概览

Onyx 将连接企业资料、建立索引和向用户提供 AI 对话入口组合成应用,适合不想从零搭建检索界面、后台同步和 Agent 操作的团队。除了 RAG,当前 README 还列出研究、网页搜索、代码执行、文件生成及 MCP 等能力,但具体能力仍依赖部署方式、模型和外部服务配置。 一个关键选型点是 Standard 与 Lite 的差别:Lite 用于较轻的聊天和 Agent 体验,标准版才包含向量与关键词索引、连接器后台任务、索引模型服务等完整组件。评估知识库能力时不能用 Lite 的资源描述估算完整部署。

主要功能

  • 文档连接器和后台同步
  • 混合检索与 Agentic RAG
  • 自定义 Agent 与 MCP 动作
  • 研究和文档产物
  • Standard 与 Lite 部署选择

要求、安装和快速入门

按官方 deployment overview 选择 Docker 或适合团队环境的部署方案。验证企业知识问答时选 Standard,配置一个模型和一个小型数据源;先完成索引再测试问答。仅体验聊天入口可考虑 Lite。

用法

先接入一个公开或测试文档空间,准备已知答案、无答案和权限隔离三类问题。检查引用原文、同步延迟、删除是否生效、不同用户可见范围,再考虑连接更多业务系统。把连接器运行失败与模型回答错误分开监控。

工作原理
标准部署通过连接器同步文档,后台任务构建搜索索引,问答流程检索相关内容并交给模型组织回答。Agent 可以进一步调用动作或 MCP 工具。聊天、检索、同步、模型推理和存储是不同服务环节,故障排查需要区分是连接器、索引还是生成阶段的问题。

适用人群与环境
需要集中知识入口、能维护服务栈的团队。 容器环境、模型服务;标准部署另需索引、任务队列和相关存储资源。

具体使用场景
• 内部知识入口:统一搜索和问答分散资料。
• 团队研究助手:组织多步骤检索和报告。
• 自定义 Agent:绑定专门知识、指令和业务动作。

局限与选型边界
完整部署有多个服务,运维成本高于单纯聊天前端。企业版与社区版功能有差异,SSO、审计和权限需求应逐项核对对应版本。自托管应用不表示模型推理必然在本地,取决于提供方配置。

关联项目与选型分析
labring/FastGPT:对照:FastGPT 更强调可视化知识工作流;Onyx 的选型重点是团队入口和连接器同步。

open-webui/open-webui:对照:已只需聊天入口的团队,可同时评估 Open WebUI;需要同步索引时再比较完整栈。

资料说明
基于上游资料的编辑分析,未进行安装实测或性能基准;建议场景和项目搭配属于选型分析。

模型兼容性与使用场景

支持多种云端和自托管模型提供方;标准版索引还包含检索相关模型服务。

许可证与风险说明

社区版采用 MIT;企业版包含另行提供的功能,应分别核对具体目录和版本的许可范围。

Editorial source review 2026-09-09T05:00:00.950Z. README and live repository page verified; current stars/forks from GitHub HTML. Last-push metadata retained from 2026-09-05 discovery snapshot. No runtime benchmark. Integration proposals are editorial analysis.

发布与维护

资料核对:2026-09-09。统计取自本次仓库页面;功能依据 README 与官方资料整理。版本变化请查看来源区的 Releases。 基于上游资料的编辑分析,未进行安装实测或性能基准;建议场景和项目搭配属于选型分析。

milvus

milvus-io/milvus

★ 45.7KGo

LanceDB

lancedb/lancedb

★ 11.1KRust

EvalScope

modelscope/evalscope

★ 3.2KPython

llm-app

pathwaycom/llm-app

★ 58.9KJupyter Notebook

graphrag

microsoft/graphrag

★ 35.9KPython

FastGPT

labring/FastGPT

★ 29.6KTypeScript