📌 项目：https://github.com/pathwaycom/serviette | 星数：58762 | 语言：Python | 协议：MIT | 更新：2026-10-26
Serviette是pathwaycom开源的no-code RAG服务器，58.8k颗星，Python编写，基于Pathway流处理引擎。定位是"配置即部署的RAG后端"——写一个YAML文件定义数据源/向量库/LLM/检索策略，serviette起服务，提供文档问答API。RAG（检索增强生成）是LLM落地的主流方案——让模型基于你的文档回答，但搭建RAG要懂向量库/嵌入/分块/检索/重排/LLM编排，门槛高。Serviette把这些封装——YAML配置数据源（文件/S3/数据库/Web）、选向量库（Pinecone/Qdrant/Weaviate等8种）、配嵌入模型与LLM，serviette自动做分块/嵌入/索引/检索/生成。5.9万星说明no-code RAG是企业刚需。
相关工具与方向，可参考Ai Coding Tools Comparison；Ai Coding Tools Ecosystem 2026；Ai Tools Buying Guide 2026 July。
no-code YAML与实时同步：Serviette的核心是no-code——一个YAML文件定义整个RAG pipeline。配置数据源（本地文件/S3/Google Drive/SharePoint/数据库/Web爬取/Slack）、分块策略（固定/语义/句子）、嵌入模型（OpenAI/Cohere/本地）、向量库（Pinecone/Qdrant/Weaviate/Chroma/Milvus/pgvector/LanceDB/DragonflyDB）、检索（向量/混合/重排）、LLM（OpenAI/Anthropic/本地）。serviette起HTTP服务，/chat端点接收问题返回基于文档的答案。最大亮点是实时同步——数据源新增/修改文档，serviette自动重新嵌入更新索引，答案始终基于最新文档，无需手动reindex。
多模态与检索质量：Serviette不止文本RAG——支持多模态（图片/PDF表格解析）。检索质量用FRAMES基准验证（业界标准），混合检索（向量+关键词BM25）+重排（Cohere/bge-reranker）提升准确率。可观测性内置——查询日志/检索召回/延迟/token消耗监控，调优有数据支撑。安全支持文档级权限（用户只能检索有权的文档），企业合规。这些把生产级RAG的细节（分块/检索/权限/监控）都覆盖，比自己从零搭LangChain pipeline省几周。
Pathway引擎与部署：Serviette基于Pathway流处理引擎——专为实时数据管道设计，能高效处理增量更新（文档变更只重嵌入变更部分，不全量重建）。部署用Docker/Pathway Cloud。资源索引可监控CPU/内存。开源版功能完整，企业版加SSO/审计/SLA。与LangChain/LlamaIndex的定位差异：它们是"RAG框架"（写代码编排），Serviette是"RAG服务器"（配置起服务），适合不想写代码快速上线的团队。
| ✅ 优势 | ❌ 劣势 |
|---|---|
| no-code YAML配置即部署 | 需理解RAG概念才能配好 |
| 8种向量库可选 | Pathway引擎有学习曲线 |
| 实时同步文档变更 | 高级定制仍需代码 |
| 多模态+FRAMES基准 | 向量库选型多易困惑 |
| 可观测性与权限安全 | 文档对新功能更新滞后 |
定位不同：LangChain是RAG框架（写Python代码编排链/agent），灵活但门槛高；Serviette是RAG服务器（写YAML配置起服务），no-code快速上线。Serviette的优势是实时同步（LangChain需手动reindex）、内置可观测性/权限/重排、开箱即用API。LangChain的优势是灵活（任意定制链/agent/工具）。建议：快速上线RAG服务→Serviette；复杂定制agent→LangChain。两者也可结合（Serviette做检索，LangChain做编排）。
8种：Pinecone（云托管）、Qdrant（自托管/云）、Weaviate（自托管/云）、Chroma（轻量本地）、Milvus（大规模自托管）、pgvector（Postgres扩展）、LanceDB（本地 serverless）、DragonflyDB。YAML里改一行切换向量库。嵌入模型支持OpenAI/Cohere/Jina/本地（sentence-transformers）。LLM支持OpenAI/Anthropic/Google/本地Ollama。组合自由——本地嵌入+云向量库+云LLM，或全本地化部署。
写一个YAML：定义sources（如./docs目录+Google Drive）、embedder（OpenAI text-embedding-3）、vectorstore（Qdrant）、retriever（混合检索+重排）、llm（GPT-4o）。运行serviette up，起HTTP服务。POST /chat问问题，返回基于文档的答案+引用来源。实时同步：sources里新增/修改文档，Pathway引擎检测变更自动重新嵌入增量更新索引，下次查询即基于新文档，无需重启或手动reindex。这是Serviette相比静态RAG的最大优势。