Verba

你是否有过这样的经历：面对公司积压多年的文档库，想快速找到某个问题的答案，却只能在海量文件中反复搜索？Verba（拉丁语"词语"之意）正是为解决这一痛点而生。它是 Weaviate 团队开源的 RAG（检索增强生成）聊天机器人，让你在几步配置后，把本地文档变成可对话的智能知识库。

图1：Verba 运行界面

项目背景

Weaviate 是一个专注于 AI 向量检索的开源向量数据库。Verba 由 Weaviate 团队于 2023 年推出，是其官方 RAG 演示应用，目标是展示如何在真实场景中构建完整的 RAG 系统。不同于停留在概念阶段的 Demo，Verba 功能完整，支持 PDF、Word、Excel、Markdown、PowerPoint 等多种格式，并在 GitHub 上持续维护（版本已至 2.x）。

RAG 核心原理

RAG 可以类比为"带图书馆的 AI 助手"：先让 AI"查阅参考资料"（检索），再基于资料回答问题（生成）。这解决了大语言模型的两大局限：知识截止于训练日期，以及无法访问私有数据。Verba 将这个流程可视化，让用户直观看到从文档上传、切片、向量化、存储、检索到最终回答的每个环节。

图2：Verba 中的 RAG 完整工作流程

核心功能

多格式文档支持

内置解析器支持：PDF、Word（.docx）、Excel（.xlsx）、CSV、PowerPoint（.pptx）、Markdown、TXT。文档上传后自动完成提取、切片、向量化三个步骤。

图3：Verba 文档导入与管理界面

多模型灵活切换

• 嵌入模型：OpenAI Embeddings、Cohere、Ollama（本地）、Jina AI
• 生成模型：GPT-4/GPT-3.5、Cohere Command、Ollama（本地 LLM）

通过 Ollama 可完全离线运行，数据完全私有，不依赖任何外部 API。

图4：Verba 支持的嵌入模型选择界面

Web UI + API 双入口

• Web 界面：适合业务人员，文档管理、对话、参数配置一站式完成
• REST API：适合开发者构建自动化流程

技术架构

后端代码组织在 goldenverba/ 目录，采用模块化插件架构：

goldenverba/
├── components/       # 核心组件
│   ├── chunking/     # 文档切片策略
│   ├── embedding/    # 嵌入模型抽象
│   ├── generation/   # LLM 生成抽象
│   ├── reader/       # 文档格式解析
│   └── retriever/    # 检索策略
└── server/           # FastAPI 服务层
    ├── api.py        # REST API
    ├── cli.py        # 命令行入口
    └── frontend/     # Next.js 构建产物

关键依赖：FastAPI（后端框架）、Weaviate Client（向量数据库）、tiktoken（Token 计数）、pypdf/python-docx（文档解析）、Next.js + TailwindCSS + DaisyUI（前端）。

部署方式

Docker Compose 一键启动，同时运行 Verba 应用本体和 Weaviate 向量数据库两个容器：

git clone https://github.com/weaviate/Verba.git
cd Verba
cp .env.example .env
# 编辑 .env 填入 OPENAI_API_KEY 等
docker-compose up

访问 http://localhost:8000 即可使用。部署难度极低，无需 GPU，普通开发机即可运行。

局限性

• 不支持多租户隔离，为单用户/单团队场景
• 必须配合 Weaviate，不支持换用其他向量数据库
• 不支持增量索引，新增文档需重新触发索引流程
• 扫描 PDF（图片型）解析质量受限

行业意义

Verba 代表了 RAG 系统工程化的方向：提供完整 UI 和运维体验，而非停留在 API 调用层。Ollama 集成让完全离线部署成为可能，在金融、医疗等数据敏感行业有重要价值。