用 Docker 编排 FastAPI+Next.js+Milvus 等组件，构建可观察、可回归的企业 RAG 知识库。

方案简介

MimirQ 是一套「可观察、可替换、可回归」的企业 RAG 基础设施，中文优先，覆盖从文档解析到证据引用的完整知识链路。它把数据评估、场景化解析、清洗治理、业务切块、向量/全文索引、混合召回、重排与引用、Golden 回归串成一条可控流水线，每一步都能检查输入、输出与版本。项目起源于真实的政务知识库交付，适合需要按业务替换、审计和回归知识链路的企业团队，也可作为 Dify 的外部知识层。本配方使用 Docker Compose 把 FastAPI 后端、Next.js 前端、Milvus 向量库、PostgreSQL、Redis 等依赖服务一并编排，实现一键启动的完整企业知识库。

亮点与能力

• 知识链路全流程可检查：解析、Chunk、召回、重排与引用证据均可查看
• 按文档和场景切换解析器、索引、检索与模型
• 用 Golden 题集、质量门禁和 Trace 守住版本质量
• 覆盖 30 个解析后端、86 种切块策略、13 类重排器
• 知识图谱画布：在同一画布中检索和分析实体、事件与关系
• 数据治理工作台：文档预览、质量检测、清洗与标注
• 入库执行监控：按数据集观察解析、切块、治理、导出和失败重试状态
• Golden 回归评测：标准问答、运行记录与 Recall / MRR 等指标同屏可查

组成与分工

• FastAPI：后端 API 服务，运行在 Python .venv 中
• Next.js：前端 UI，由 pnpm 启动，访问地址 http://localhost:3000
• Milvus：向量库，支撑向量检索与混合召回
• PostgreSQL / Redis：Docker 运行的存储与基础设施服务
• DeepDoc：默认内置解析器，处理常规 PDF / Office / 文本
• Docker Compose：编排前端、API、Worker 与依赖服务

前置要求

• Docker 20.10+ 与 Docker Compose 2.0+
• GNU Make；Docker 一键启动另需 Python 3.9+ 生成配置
• 源码开发模式另需 Python 3.11+、Node.js 20+ 与 pnpm 10.26
• 至少 4 核 CPU / 16 GB RAM / 50 GB 磁盘

实施步骤

1. 克隆仓库并初始化

bash
git clone --depth 1 --single-branch https://github.com/skygazer42/MimirQ.git
cd MimirQ
make init

make init 只创建缺失的 .env 和 web/.env.local，不会覆盖已有配置。

2. 编辑 .env 配置模型与管理员

• 默认模型调用：LLM_API_KEY（必填）
• 自定义 LLM：LLM_API_BASE、LLM_MODEL
• 独立 Embedding：EMBEDDING_API_BASE、EMBEDDING_API_KEY、EMBEDDING_MODEL
• 启用 Reranker：ENABLE_RERANKER、RERANKER_API_BASE、RERANKER_API_KEY、RERANKER_MODEL
• 自动创建首个管理员：INITIAL_ADMIN_EMAIL、INITIAL_ADMIN_USERNAME、INITIAL_ADMIN_PASSWORD

3. Docker 一键启动

bash
make up-web
make api-ping

启动后访问 http://localhost:3000；未预置管理员时，在页面注册首个账户。

使用与配置要点

• 前端 UI：http://localhost:3000；API 文档：http://localhost:8000/docs
• 启动后创建数据集、上传解析、检查切块、验证检索和引用，再进行治理与评测
• 按文档类型启用可选解析器：表格、公式与复杂版式可 make up-docling；扫描件、OCR、复杂版面可 make up-paddlevl；PDF 转 Markdown 无 GPU 可 make up-marker
• 停止使用 make down；清空持久化数据使用 make docker-reset；连同本项目服务镜像删除使用 make docker-purge
• 低资源模式可使用 make up-lite，它用 Chroma/FAISS 替代 Milvus、免 MinIO，默认不含前端

注意事项与常见问题

• Docling 的 CPU / GPU profile 共享 5001 端口，不能同时启动；GPU 镜像约 11.13 GB
• PaddleOCR-VL 建议 NVIDIA GPU 预留 10 GiB；olmOCR 建议 48 GiB 级显存
• 更换 Embedding 模型后必须重建已有知识库索引
• make docker-reset 与 make docker-purge 不可恢复；MimirQ 固定使用独立的 mimirq Compose 项目名，不会把同机 Dify 当成本项目
• 高风险资料仍需人工校验

优缺点

• ✓ 一键启动，部署门槛低
• ✓ 链路可检查可回归
• ✕ 至少 4 核/16GB RAM/50GB

出处

本方案挖掘自开源项目 skygazer42/MimirQ，方案内容与实施命令均来自其 README 原文。