關於 R2R
About
R2R 是什麼
R2R（Reason to Retrieve）是 SciPhi AI 打造的檢索增強生成引擎，主打可以真正上線。它是一套 RAG 框架，專門解決在自己文件裡找答案的問題。檢索增強生成的作法，是先從你的檔案裡挑出相關段落，再讓模型根據這些段落回答。R2R 把這條路上最麻煩的環節接了下來，包括文件解析、切塊、向量化、檢索與有憑據的生成，全部收在一組 REST API 後面。你只要指定檔案位置，其餘交給它處理。
這套工具鎖定的是想在私有資料上做檢索、卻不想從零搭建基礎設施的團隊。它吃得下文字、PDF、JSON 這類常見格式，也能處理圖片與音訊，接著讓你針對這些素材提問，每則回答都附上引用來源。
R2R 以 MIT 授權開源，你可以把它架在自己的機器或 Docker 裡，做成一套自架的 RAG 服務。當文件裡的資料不能送到第三方服務時，這一點就格外關鍵。
開始使用
- 用
pip install r2r安裝 Python 版 SDK，或npm i r2r-js安裝 JavaScript 版。 - 在本機用
python -m r2r.serve啟動伺服器，或以下指令拉起完整的 Docker 環境：docker compose -f compose.full.yaml --profile postgres up -d。 - 透過客戶端建立文件觸發匯入，例如
client.documents.create(file_path="/path/to/file")。 - 用
client.retrieval.search(query="...")查詢，或用client.retrieval.rag(query="...")取得附引用的回答。 - 遇到複雜問題，呼叫
client.retrieval.agent(...)，讓推理流程自行規劃檢索步驟。
產品資訊
快速了解 R2R 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 正在打造知識庫助理的開發者：R2R 把匯入、檢索與生成包成單一服務，省下好幾個月的接線工作。入門只需基本的 Python 或 JavaScript。
- 手上文件較敏感的團隊：自架的 Docker 部署讓資料留在自家伺服器。這些團隊要有自行維運部署的準備。
- 想試作 GraphRAG 的研究者：R2R 自動抽取實體與關聯，不必額外工具就能把一批文件變成圖譜。懂一點檢索概念會更順手。
任務
- 在格式混雜的文件庫裡提問：R2R 用同一條流程解析 PDF、文字、JSON、圖片與音訊，一次查詢就能橫跨多種格式。
- 為內部搜尋產出附引用的回答：RAG 端點回傳以檢索段落為依據的答案，減少憑空捏造的內容，也讓來源容易核對。
- 把檢索接進代理流程：Deep Research API 會串起多步推理，當問題需要不只一次查找時，能從你的集合或公開網路取材。
情境
- 在自家機器上架一套私密的文件問答服務：Docker 部署加上內建驗證，滿足一般上線需求，不必再另外串服務。
- 餵養一個會標註來源的客服機器人：混合搜尋揉合語意與關鍵字比對，精確的產品名和鬆散的改寫都能命中。
- 探索大型檔案庫裡的關聯：知識圖譜自動建構，呈現實體之間怎麼連在一起，這是扁平向量搜尋做不到的事。
主要功能
多模態匯入
R2R 用同一條流程解析 .txt、.pdf、.json、.png、.mp3 等格式。音訊會轉成文字，網頁連結會抓取正文，每種檔案型別不必各寫一套前處理。檔案丟進去，解析、切塊與索引都交由系統處理。
混合搜尋
檢索同時用向量相似度與關鍵字比對，再以倒數排名融合合併結果。語意搜尋抓得住改寫說法，關鍵字搜尋抓得住精確詞彙，融合則挑出該查詢較強的那個訊號。純向量的漏網之魚與純關鍵字的盲區，都因此減少。
知識圖譜
匯入過程中，R2R 抽取實體與關聯，在向量之外另建一張圖。你可以跑社群偵測找出主題叢集，也能沿關聯遊走，例如找出與某家公司相連的所有實體。圖譜依集合各自隔離，多租戶之間互不干擾。
代理式 RAG 與 Deep Research API
代理模式不只是先檢索再生成，而是會規劃多個步驟。它會判斷何時該補更多上下文，可以跨出你的知識庫，也能替模型多分配一些思考額度。每則回答都帶引用，你可以回推它怎麼得到結論。
使用者與集合管理
內建驗證機制與集合系統處理多租戶存取。集合把文件與圖譜隔開，不同團隊或客戶只會看到自己的資料。存取控制直接在 API 層落實。
REST API 與 Python、JavaScript SDK
所有能力都透過有完整文件的 REST API 開放，並提供官方 Python 與 JavaScript 客戶端。你可以把 R2R 接進既有應用，不必改用新框架，設定集中在單一檔案。
優缺點
優點
- 以 MIT 授權開源，你可以檢視、修改並自架，不受特定廠商綁定。
- 上線所需的驗證、集合與可觀測性都內建，省下數個月的後端開發。
- 混合搜尋與知識圖譜並用，精確詞彙查詢與關聯式查詢都能涵蓋。
- 官方 Python 與 JavaScript SDK 讓多數應用堆疊都能直接整合。
缺點
- 自架代表部署、更新與擴充都得自己扛，對缺乏基礎設施經驗的團隊是實打實的工作量。
- 完整模式需要 Docker、PostgreSQL 與 OpenAI API 金鑰，輕量安裝在快速測試時功能有限。
- 文件網站先前不太穩定，在你找到最新參考資料之前，排錯會拖慢一點。
常見問題
R2R 在你自己的檔案上建立私密的文件搜尋與問答服務。它處理匯入、檢索與有憑據的答案生成，讓你不用自己拼出整條流程，就能推出知識助理。
相關內容
探索與 R2R 相關的工具、技能與文章。
R2R 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。