Quivr
Erstellen Sie schnell strukturierte RAG-Anwendungen mit Python und anpassbaren LLMs.
Integrieren Sie benutzerdefinierte Retrieval-Augmented Generation-Workflows in Ihre bestehenden Anwendungen.
Quivr-core ist eine Python-Bibliothek, die Ihnen hilft, RAG-Pipelines mit minimalem Code zu erstellen und zu konfigurieren. Sie eignet sich für Entwickler, die Dokumentenabfragen und KI-Assistenten in ihre Anwendungen einbetten möchten.
Was es ist
Mit der Bibliothek können Sie mit nur wenigen Zeilen Python ein Gehirn aus PDF-, TXT- oder Markdown-Dateien erstellen. Sie unterstützt anpassbare Abrufstrategien, YAML-basierte Workflow-Definitionen und die Integration mit dem Megaparse-Ingestion-Tool.
Für wen
Sie eignet sich für Entwickler und Ingenieure, die benutzerdefinierte KI-Produkte entwickeln und Low-Level-RAG-Boilerplate umgehen möchten. Sie ist nicht geeignet für nicht-technische Benutzer, die eine einsatzbereite Desktop-Chat-Anwendung suchen.
Wichtige Funktionen
Strukturiertes RAG-Framework
Erstellt schnelle, effiziente RAG-Pipelines mit minimalem Code unter Verwendung von quivr-core.
Flexibile LLM-Unterstützung
Verbindet sich mit OpenAI, Anthropic, Mistral oder lokalen Modellen über Ollama.
Ingestion beliebiger Dateien
Verarbeitet PDFs, Textdokumente und Markdown-Dateien direkt nach der Installation.
YAML-Workflows
Definiert Abrufstrategien, Verlaufslimits und Reranker über Konfigurationsdateien.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Richtet eine funktionale RAG-Pipeline in weniger als zehn Zeilen Python-Code ein.
- Unterstützt mehrere große LLM-Anbieter sowie die lokale Ausführung.
- Ermöglicht eine präzise Steuerung der Abrufkonfigurationen und Reranker über YAML.
- Integriert sich direkt mit Megaparse für die erweiterte Dokumenten-Ingestion.
Schwächen
- Erfordert das Schreiben von Python-Code und die Handhabung von Umgebungsvariablen.
- Ist von externen kommerziellen API-Schlüsseln für LLMs abhängig, es sei denn, es werden lokale Modelle ausgeführt.
- Dokumentation und Einrichtung setzen Vertrautheit mit Entwicklertools voraus.
Preise & Lizenz
Die Software ist im Rahmen ihrer Lizenz kostenlos, aber es fallen Kosten für die von Ihnen ausgewählten LLM-APIs oder Reranker-Dienste an, die Sie damit verbinden.
Stellen für Deutschsprachige
873 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Nutze es, oder lass es uns einrichten
FAQ
Welche LLMs unterstützt Quivr?
Es unterstützt APIs von OpenAI, Anthropic und Mistral sowie lokale Modelle über Ollama.
Kann ich den Abruf-Workflow anpassen?
Ja, Sie können benutzerdefinierte Abrufstrategien, Verlaufslimits und Reranker über eine YAML-Konfigurationsdatei definieren.
