网易有道自研并开源，已在其自有产品中落地：两阶段检索是招牌——先用 BCEmbedding（中英双语、跨语言检索）向量召回，再用 reranker 精排，专治“知识库越大检索越差”。支持 PDF/Word/PPT/Excel/图片/邮件/网页等众多格式，可纯本地部署。
适用场景：中文/中英混合知识库、对检索精度要求高的客服与教育场景、数据必须离线的大型组织
QAnything 有道 两阶段检索 BCEmbedding 中文 本地部署
操作步骤
- git clone https://github.com/netease-youdao/QAnything.git，按仓库 Docker 版安装攻略准备环境
- 选择运行模式：接云端大模型服务或完全本地（本地需 NVIDIA GPU）
- 导入文档建知识库（BCEmbedding 向量化 → Milvus 等向量库存储）
- 提问时走“向量召回 → rerank 精排 → LLM 生成”，用其 API 集成到自有系统（docs/API.md）
接入本站 API：QAnything 支持接云端模型服务：把生成阶段的 LLM 指向 OpenAI 兼容接口（Base URL 填
https://tokenbuddy.cc、Key 填 LIN 的 Key、模型名填准确 ID，具体配置项以仓库当前 README/API 文档为准）；检索侧继续用它自带的 BCEmbedding + reranker（本地），即“检索本地、生成走 LIN API”的混合架构，数据敏感团队常用。注意事项
- ⚠️ 硬件门槛：搜索来源称本地运行需 NVIDIA GPU 显存 ≥16GB（推荐 3090 级）、CUDA ≥12.0——没 GPU 就选云端模型模式，别硬装
- ⚠️ 数据量极大时第一阶段向量召回排序仍会退化（项目方自述限制），需要配合分库
- ⚠️ 版本较老（搜索可见 v1.4.x 发布记录），立项前先看仓库近期维护活跃度再决定是否作为主力