团队文档太散不好找？试试【RAGret】｜自托管共享/订阅知识中心

RAGret 是什么？

RAGret（不是 “regret” 😂）是一款自托管的 RAG 网页应用，面向小型团队（约 15–30 人）与低成本服务器（显存 ≤ 8 GB）。

使用RAGret，团队成员可以把知识库发布到共享中心、订阅他人的知识库，之后通过 HTTP GET 进行检索。

项目地址：https://github.com/SugarSong404/RAGret

亮点

• 创建者可设置可见范围，灵活控制访问。
• 对 Agent 友好：提供API 密钥与SKILL.md，便于智能体快速接入团队工作流。
• 支持通过tar 上传或GitLab / GitHub Webhook入库，贴合常见文档存放习惯；飞书等在线文档同步已在规划中。
• 多格式：PDF、Word（docx）、Excel（xlsx）、Markdown（md）、邮件（eml）、TXT、CSV、网页链接（html）。
• 中英双语界面、浅色 / 深色主题，并可通过 YAML 调整品牌（如 favicon、页面标题）。

技术栈

索引与检索采用BCE 嵌入 + SQLite + BCE 重排序，依赖：

• BCEmbedding（GitHub）
• Hugging Face 上的模型（bce-embedding-base_v1、bce-reranker-base_v1）

快速开始

GPU 二选一：CUDA或Intel XPU。运行方式二选一：本机 Python或Docker。

通用说明：

• 每个环境只使用一种 GPU 方案与一种运行方式。
• Hugging Face 镜像（可选）：若下载慢或被墙，在运行warmup_hf_models.py或docker build之前设置HF_ENDPOINT（见下）。

# Windows PowerShell$env:HF_ENDPOINT="https://hf-mirror.com"# Linux / macOSexportHF_ENDPOINT=https://hf-mirror.com

环境准备

本机 Python

1. Python 3.10+（已在 3.12 上测试）。创建 venv 或 conda 环境。

2. 按你的 GPU 安装 PyTorch（二选一）：

   • NVIDIA CUDA：按Start Locally安装，或例如：
     pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
   • Intel XPU：按Get started with Intel GPU。安装 Intel GPU 驱动 后，例如：
     pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/xpu

3. 应用依赖：pip install -r requirements.txt

4. 模型（首次，在索引/检索之前）：在仓库根目录联网执行：

   python warmup_hf_models.py

   权重会下载到./models。也可手动将 BCE 权重放入./models。

5. 验证 GPU：

   • CUDA：python -c "import torch; print(torch.cuda.is_available())"→ 应输出True
   • XPU：python -c "import torch; print(torch.xpu.is_available())"→ 应输出True

   在Intel XPU上，仅嵌入（embedding）使用 GPU；上游BCEmbedding的重排序（rerank）不支持 XPU。

Docker（仅 CUDA）

本仓库镜像仅针对CUDA（Dockerfile）。若使用 Intel XPU，请用上面的本机 Python方式。

构建（warmup 会把权重打进镜像内的/opt/hf）：

dockerbuild-tragret.# 国内镜像；使用时请关闭代理dockerbuild-tragret --build-argHF_ENDPOINT=https://hf-mirror.com.

运行需--gpus all（或'--gpus "device=0"'）。

dockerrun--nameragret-it--gpusall-p8765:8765 ragret

也可以将 model 下载到宿主机上，以下方式跳过 warmup 快速启动容器

dockerbuild-tragret --build-argRAGRET_SKIP_WARMUP=1.dockerrun--nameragret-it--gpusall-p8765:8765-v/path/on/host/models:/opt/hf ragret

启动服务

在frontend目录：

npminstallnpmrun build

在仓库根目录：

python ragret.py serve--host0.0.0.0--port8765

使用说明

偏好与凭据

打开账户（Account）：

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

1. 修改头像、主题与语言。
2. 最多创建3 个 API 密钥，用于检索你拥有或已订阅的知识库。
3. 若使用 GitHub 或 GitLab Webhook，在对应栏粘贴PAT。为安全起见，请将 PAT 权限限定为只读仓库。

创建知识库

打开添加知识库（Add knowledge base）：

1. 必填：名称与描述，便于 Agent 选对知识库。
2. 可选：类 README 的描述文件与封面图。
3. 设置可见性。锁定（Locked）默认仅创建者可见；创建后可添加成员。
4. 选择类型。Tar 上传较直接；Webhook见下图。

首次构建会从仓库拉取，因此仓库 URL与分支为必填。将Webhook URL与Secret Token复制到仓库的 Webhook 设置中，然后点击构建。

进行中的任务

在普通硬件上，分块与索引会排队。每次点击构建或 Webhook 触发都会注册一个任务。

打开任务列表（Task list）查看排队与运行中的任务：

需要时可取消任务。

管理你的知识库

打开我的知识库（My knowledge bases），选择一个进行管理。

注意：

1. 对Webhook类型知识库，若重命名知识库，请在仓库中更新 Webhook URL。
2. 所有类型的重建均为增量。若通过tar添加文件，请上传你希望被索引的完整文档集的压缩包。
3. Webhook 类型可在此页手动从仓库拉取。

4. 使用页面底部搜索框可针对该知识库试检索。

使用知识库

1. 在知识中心（Knowledge hub）订阅。
2. 在账户中复制 API 密钥。
3. 设置环境变量RAGRET_API_KEY。

GET 请求示例：

# 列出已订阅的索引curl-sS-H"X-API-Key:$RAGRET_API_KEY""$BASE/api/subscribe-indexes"# 检索curl-sS-G"$BASE/api/search/INDEX_NAME"-H"X-API-Key:$RAGRET_API_KEY"--data-urlencode"query=…"

智能体：下载SKILL.md并导入 Claude Code、Cursor、OpenClaw 或其他 Agent 工具。

路线图

1. 更多格式：表格、PPT、图片。
2. 与飞书等在线文档同步。
3. 分布式部署，以支持更高并发与更大团队。
4. 全栈稳定性改进。