Skip to main content
Glama

文渊

中文 | English

文渊是一门课共用的学习资料 RAG 服务,名字取自清代皇家藏书楼“文渊阁”。老师上传的课程资料全班共享,每个学生的笔记只有自己能检索到;提问时同时检索两者,回答逐句标明出处,资料里没有就拒答。系统部署在一台带 GPU 的服务器上全班共用,学生通过网页工作台或自己的学习 Agent(如知秋,经 MCP)使用。演示课程是哈佛 CS50x 2024。

功能

  • 课程与角色:任何人都能开课成为老师;老师上传资料、发邀请码(只存哈希),学生凭邀请码加入。检索范围以学生加入的课程为上限,没加入的课程一律 403。

  • 个人笔记:上传或按文件夹导入 Markdown,只有本人能检索到;只要用到了笔记,就只用本地模型回答。

  • 带出处的回答:每句标 [S#],讲义跳到段落锚点,讲课转写跳到视频的具体时刻;回答逐句和资料核对,无依据的句子删掉,课程没讲的问题拒答。

  • 检索:Milvus 混合检索(向量 + BM25,jieba 中文分词),本地模型先做查询理解,推断问题背后的术语和 API 名;多跳问题按需拆分。

  • 一块 GPU 全班共用:Redis 实现的按用户限流、公平排队的 GPU 闸门与准入控制、问答缓存与防击穿。

  • 网页工作台:问答(阶段实时显示)、我的笔记、学习目录、课程管理、老师端全班高频问题汇总、只看自己请求的看板。

  • MCP:7 个工具,供知秋等学习 Agent 调用,限流和权限照常生效。

  • 评测:按“证据原文”计分的检索评测、答案层评测(正确率、逐句有据、有害内容)、拒答测试、发版门禁。

Related MCP server: tero-mcp-lite

效果

100 道 CS50 课程题,本地 Qwen3-8B 回答,DeepSeek 当评委:

指标

结果

正确证据在前 5 个检索片段里

86.6%(混合检索 74.8%,加查询理解后)

回答完全正确

86%

带有害内容(与资料矛盾或错误)的回答

4%

课程没讲的问题拒答 / 能答的问题误拒

100% / 2.5%

其他学生检索到你的笔记

0 条

每项结果的实验过程见评测与结果。

快速开始

需要 Docker、Python 3.12+、uv、Ollama 和一块 NVIDIA 显卡(50 系需要 CUDA 12.8+ 的 PyTorch)。

copy .env.example .env                     # 按注释填写
uv sync
ollama pull qwen3:8b
uvx --from huggingface_hub hf download dev-jonathanb/cs50-educational-rag --repo-type dataset --local-dir data/raw/cs50
scripts\wenyuan.cmd                        # 依次启动 Docker、模型服务、Ollama 和 API,打开 http://127.0.0.1:8000/ui
uv run python -m app.ingest.cs50           # 第一次:CS50 资料入库
uv run python -m app.api.auth create teacher                       # 老师账号(打印一次 API key)
uv run python -m app.courses create cs50 "CS50x 2024" --teacher teacher

第一次打开工作台时起个名字就能建号;学生凭老师生成的邀请码在「课程」页加入。scripts\wenyuan.cmd -Stop 全部停掉。启动前会检查可用内存,不够就停下提示。

常用命令

uv run python -m app.api.auth create <账号>                                # 建号(打印一次 API key)
uv run python -m app.courses invite cs50 --by <老师账号>                    # 生成邀请码(只显示一次)
uv run python -m app.courses enroll cs50 <账号>                            # 直接把账号加入课程
uv run python -m app.ingest.private <笔记文件夹> --user <账号>               # 导入个人笔记
uv run python -m app.query.ask "How do I free memory from malloc?" --library cs50
uv run python -m eval.run --exp demo --collection chunks_v2 --mode hybrid --dataset data/eval/cs50_gen_v1.jsonl   # 检索评测
uv run python -m eval.answers --exp demo --dataset data/eval/cs50_gen_v1.jsonl   # 答案层评测
uv run python -m eval.refusal --exp demo                                   # 拒答测试
uv run python -m eval.gate experiments/<新一轮>.json                        # 发版门禁
uv run python -m app.maintenance cleanup                                   # 列出测试数据;加 --yes 才删除

完整的命令和每一步的说明见安装与运行。

文档

文档

内容

设计文档

方向与复盘、场景、架构、入库与查询链路、权限、评测方法;每个里程碑的实验记录

评测与结果

评测集、检索 / 答案 / 拒答结果、v0.7 的实验、压测

安装与运行

架构图、网页工作台、全部命令

接入 Agent(MCP)

MCP 配置、7 个工具、与知秋的关系

数据与隐私

  • 学生的笔记只有本人能检索到;检索、缓存键和 trace 都按用户隔离,上下文里有笔记时只用本地模型。

  • API key 只存 SHA-256;邀请码只存哈希;每个人在看板里只看得到自己的请求。

  • 老师看到的高频问题只显示至少两位学生问过的类别,不显示是谁问的。

  • 外部模型(DeepSeek)只在评测时用来出题和评分,只发送课程的公开资料;笔记只在作者同意时用于出题。

  • 课程原文、评测题和回答原文都只在本地(data/、.cache/),不进仓库;experiments/ 里只有题号、得分和汇总。

开发

uv sync
uv run pytest -q              # 单元测试不需要模型和服务
uv run python -m eval.gate experiments/<新一轮>.json

完整评测需要 GPU、语料和本地模型,所以托管 CI 只跑单元测试,发版前在本机跑评测门禁。

致谢与许可

  • 部分代码改编自 LightRAG(MIT License,commit aaebfe1),协议原文见 third_party/LICENSES/LightRAG-MIT.txt;每个改编文件的开头注明了来源和修改内容。

  • 演示课程资料来自哈佛 CS50x,经 Hugging Face 数据集 dev-jonathanb/cs50-educational-rag 整理成 Markdown,遵循 CC BY-NC-SA 4.0。本仓库不分发课程原文和由它生成的评测题,使用者运行命令自行下载。

  • v0.7 的公共文档取自 DevDocs,以及 FastAPI、Redis 官网,版权归各项目所有,同样不在仓库中分发;评测集来自 Stack Overflow,遵循 CC BY-SA 4.0,每行都保留了原问题和答案的链接;v0.7 的代码和评测集已从主分支移除,在 git tag v0.7.0 里。

  • 代码采用 MIT 协议。

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      An MCP server that indexes documents and serves relevant context to LLMs via Retrieval Augmented Generation (RAG).
      36
      MIT
    • F
      license
      Not graded
      quality
      D
      maintenance
      A citation-grounded RAG server for internal documentation that exposes retrieval tools and resources via the Model Context Protocol, enabling any MCP client to search and access organizational knowledge with structured citations.
      -