Evidra RAG · 知锚检索

从技术文档中检索相关片段，返回原文和出处。可以在浏览器中查询，也可以通过 MCP 交给 Agent 调用。

浏览器页面用于查看检索结果，不生成聊天答案。下面的快速演示不需要模型或 API Key； 它使用 local_hash 验证查询流程，不能用来判断 Qwen3 的语义检索效果。

本地体验

需要 Python 3.12 和 uv：

git clone https://github.com/boombap777/evidra-rag.git
cd evidra-rag
uv sync --extra dev --frozen
uv run --no-sync python scripts/start_dashboard.py --demo --port 8503

打开 检索页面，点击“加载 3 篇内置样例”，搜索 MCP 工具 边界。 结果会显示片段、来源和本次查询耗时；摄取、索引管理与查询记录在侧边栏。 演示索引与模型索引分开存放，不会覆盖已有 Qwen3 索引。

Related MCP server: mcp-rag-bridge

检索策略怎么选

项目保留了 BM25、向量检索、RRF 融合和 Cross-Encoder 重排四条实验路径。 在固定的 Stack Overflow 基准上，Qwen3 向量检索的结果最好，因此模型配置默认使用 Dense， 没有把更复杂的组合直接当作升级。

500 条查询、14,613 篇文档，前 10 条结果的命中率如下：

Dense 比 BM25 高 12.0 个百分点。完整指标、测试条件与复现入口见检索实验。 这些是已记录的离线实验结果，不是上方无模型页面的实时效果。

代码中值得看的部分

• 文档处理：用户发起摄取后，依次完成解析、切分、向量化和入库；不会后台扫描个人文件。

• 检索配置：Embedding、Splitter、VectorStore、Reranker 等组件通过接口和 YAML 配置替换，便于用同一数据集比较方案。

• 问题排查：Trace 记录召回候选、排序变化和各阶段耗时，可以定位漏召回或重排效果下降的原因。

MCP 提供三个工具：query_knowledge_hub 查询片段、list_collections 列出集合、 get_document_summary 查看文档摘要。任务规划和后续动作由调用方 Agent 负责。

配置与测试

• 完整技术方案：检索设计、实验结论与已知限制

• 本地部署与 MCP 接入

• Qwen3 模型准备和完整基准复现

• 配置文件 · 开发规格

• 自动化测试：本地运行 uv run --no-sync pytest；完整模型基准需另行准备依赖。

当前页面没有公网鉴权，只供本机使用。源码采用 MIT，模型、数据集和第三方依赖的许可见第三方说明。