全文约 3000 字，阅读需要 6 分钟

起因

最近工作里有个很具体的痛点：文档太多，而且太杂。

合同扫描件、行业报告、内部资料、会议截图、Word、Markdown、PDF，格式五花八门。真正要用的时候，最麻烦的不是“有没有这份资料”，而是“我到底在哪份资料里见过这句话”。

我想要的东西其实很简单：

把这些文档丢进一个系统里，以后直接用自然语言提问，它能从资料里找依据、给答案、贴出处。

市面上当然有很多方案。但试了一圈，总觉得不完全合适：

• 有的太重，依赖链很长，调一个小功能要理解一堆抽象；
• 有的太贵，OCR、Embedding、LLM 全走 API，文档量一大成本就上来了；
• 有的隐私边界不够清楚，公司资料直接传第三方服务器，这事很难放心。

于是我干脆自己写了一个。

项目名叫 RagLite：轻量、透明、尽量把重计算放在自己手里。

它能干什么？

一句话：把你的文档变成一个可对话的知识库。

比如扔进去 35 张截图，或者一本 459 页的扫描版 PDF，等它完成 OCR、分块、向量化和入库之后，就可以直接问：

“将军崖岩画是什么？”

它会先从知识库里检索相关片段，再调用大模型生成回答，并把来源一起贴出来。这样你既能快速得到结论，也能回到原文核对。

目前支持这些文件：

• Markdown / 纯文本
• Word（.docx）
• PDF，包括纯图片扫描件
• 图片截图（PNG / JPG）

我最看重的是两点：

第一，原始文件不必交给第三方平台。OCR 和向量化默认都可以在本机完成。

第二，代码路径足够短。出了问题，你能直接打开对应文件看懂它在做什么。

为什么不用 LangChain？

不是 LangChain 不好。

它解决的是“快速搭建复杂 LLM 应用”的问题，生态、集成、抽象都很完整。但我的需求没有那么复杂：文档解析、OCR、分块、Embedding、检索、生成，链路清楚，能跑稳就行。

很多时候，框架的抽象层会在前期让你觉得省事，到了调试阶段又把问题藏起来。链条、Agent、Tool、Memory，每个概念都包了一层。检索结果不对时，你可能要一路穿过好几层封装，才能找到真正影响结果的那个参数。

RagLite 的思路更朴素：

每个模块自包含，能少一层就少一层。

项目结构大概是这样：

config.py          # 配置，一个 dataclass
ingest/
  ocr.py           # OCR，调用本地 Ollama
  chunker.py       # 文档分块
  embed.py         # 向量化，支持多种模式
  pipeline.py      # 入库流水线
serve/
  store.py         # ChromaDB 存储
  retriever.py     # 混合检索
  api.py           # FastAPI 接口
  mcp_server.py    # MCP 协议

没有太多魔法。哪一步出问题，就看哪一个文件。