Unbody
Unbody (Unbody Labs) · 程式設計 · 其他
Unbody 是一款 AI 原生後端，負責接收、加值並向量化內容，再透過單一 GraphQL API 提供語意搜尋、聊天機器人與生成式回答。
關於 Unbody
About
什麼是 Unbody
Unbody 是為開發團隊設計的後端，目標是省去自己拼裝 AI 基礎設施的功夫。你接上一份資料來源、挑幾個加值步驟，就能用同一個 GraphQL 端點查詢結果。它當年主打的是把 RAG 後端與聊天機器人後端裝進同一個盒子：不必另外維護向量資料庫、嵌入服務、LLM 外殼與工作佇列。
整體架構分成四層。感知層處理資料接入、解析、加值與向量化。記憶層存放產出的物件與向量。推理層執行模型呼叫與提示詞。行動層透過 API 與 SDK 對外提供服務。內建連接器涵蓋 Google Drive、Discord 與 GitHub，其他來源則交給 Push API，只要你先定義好結構描述。加值工具會在建立索引前補上摘要、關鍵詞、圖片說明、OCR 文字與爬取後的網頁內容。
有一件事比任何功能都重要：Unbody 已經停止開發。GitHub 儲存庫處於封存狀態，app.unbody.io 的託管服務打不開，文件網域也只剩錯誤頁面。團隊現在以 Unbody Labs 的名義開發 Adapt，那是另一套記憶框架。這篇頁面記錄的是它曾經提供的功能，也可當成操作封存程式碼的參考。程式碼停留在 Alpha 階段，已經沒有人發布修正。
開始使用
- 安裝 Node.js 20 或 22、Docker、Docker Compose 與 yarn。複製 unbody-io/unbody 儲存庫，執行 yarn 安裝相依套件。
- 把 .env.example 複製成 .env.local，填入 OpenAI API 金鑰。嵌入與生成端點都靠這把金鑰運作。
- 用 docker compose up 啟動周邊服務，再執行 yarn start。索引工作由 Temporal 調度，儀表板開在 8233 埠。
- 建立專案，並用 unbody-cli source add 指令加入資料來源。接著就能觀察第一批檔案走過解析、加值與向量化。
- 從 GraphQL API 或 TypeScript SDK 查詢專案。SDK 把檢索、搜尋與生成包成可串接的用戶端。
產品資訊
快速了解 Unbody 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
- 要在既有產品加上搜尋或對話功能的後端工程師：一套 API 就涵蓋接入、索引與檢索，時間會花在介面上，而不是黏合程式碼。文件偏薄，遇到問題得直接讀原始碼。
- 沒有機器學習工程師的小型產品團隊：連接器與加值工具能處理常見情境，TypeScript SDK 也讓上手門檻降低。團隊裡仍要有人負責 Docker 與 API 金鑰。
- 內容原本就放在 Google Drive、Discord 或 GitHub 的團隊：這些來源都是內建支援，第一個衝刺就少掉一份客製化接入工作。
任務
- 把文件倉庫變成可搜尋的知識庫：流程會解析檔案、切成段落、逐段加值並寫入向量，純文字因此能按語意查詢。
- 在網站上加一個文件問答機器人：語意搜尋找出相關段落，生成端點再依你設定的提示詞寫出回答。
- 批次產生摘要與標籤：AutoSummary 與 AutoKeywords 可跑完整個集合，適合在搬遷或內容盤點前使用。
- 測試語意或視覺相似度：API 內建五種搜尋模式，包含記錄相似度與針對圖片集合的視覺相似度。
情境
- 在自行開發前先評估 AI 原生後端：程式碼公開且篇幅不大，讀得完，做個小型驗證就能看出分層架構是否合用。
- 讓舊專案繼續運作：如果已經部署過 Unbody，封存的儲存庫與 Docker 設定仍是重建環境的依據。
- 教學或示範 RAG 流程：四層架構正好對應接入、儲存、推理與服務，工作坊講起來很清楚。
主要功能
單一 GraphQL 內容 API
平台存放的所有內容都能從同一個 GraphQL 端點查到，它同時扮演知識庫 API 與語意搜尋 API 的角色，支援篩選、排序、分頁與巢狀物件。你指定需要的欄位，取回的是加值後的記錄，包含生成摘要與關鍵詞。圖片與影片另有端點處理媒體，管理 API 則可在不進儀表板的情況下操作專案與來源。
內建連接器與 Push API
Google Drive、Discord 與 GitHub 都有現成整合。每個整合會指定進入點，例如某個資料夾或頻道，再按排程抓取內容。其餘來源交給 Push API，用你定義的結構描述接收記錄，涵蓋內部資料庫、匯出檔與自製 feed。兩者搭配，常見的知識型產品不必寫客製 ETL 就能起步。
加值流程
內容進入索引前，可設定的流程會先解析，再依序套用加值工具。AutoSummary 產生短摘要，AutoKeywords 抽出關鍵詞，AutoVision 負責圖片說明、OCR 取字與物件標註。爬蟲則把網頁轉成結構化記錄。流程可在儀表板或管理 API 設定，內建工具不夠時也能註冊自製外掛。
五種搜尋模式
API 提供語意搜尋、關鍵詞搜尋與混合搜尋，另外還有兩種相似度模式：記錄相似度與視覺相似度。語意搜尋比對的是意思，使用者說法與文件用詞不一致時特別有用。關鍵詞搜尋在精確詞彙上維持可預期。混合模式把兩者相加。視覺相似度靠圖片向量運作，商品照片因此能在型錄裡找到相近款式。
生成式搜尋與 JSON 輸出
檢索之上有兩種生成模式。From One 對每個物件送出提示詞，可把欄位值插入文字。From Many 拿一組物件產生單一結果，適合摘要與比較。另有一種模式回傳經過結構描述的 JSON，用途是抽取欄位而非產生文章。模型透過外掛選擇，後端不會綁死單一供應商。
TypeScript SDK 與前端元件
TypeScript SDK 把 GraphQL 呼叫包成可串接的用戶端：取集合、篩選、搜尋、挑欄位，最後生成。啟動範本涵蓋 Next.js、Nuxt、NestJS 與 Express，前端層則提供 React 與 Vue 的現成元件。這些都不會把你鎖在託管服務上，同一套 SDK 可以指向本機實例。
優缺點
優點
- 一套 API 涵蓋接入、加值、向量化、搜尋與生成，省掉一整排分開的服務。
- 程式碼以 Apache 2.0 公開，可以讀實作、分支出來，放在自己的機器上跑。
- Google Drive、Discord 與 GitHub 的內建連接器，讓第一個可運作的示範縮短到一個下午。
- 加值發生在流程內，摘要、關鍵詞與圖片標籤在第一次查詢前就已經存在。
- TypeScript SDK 與啟動範本減少了手寫 GraphQL 的量。
缺點
- 儲存庫已封存，託管服務也離線。沒有安全修補、沒有錯誤修正，也沒有支援管道。
- 文件網站已經無法解析，安裝細節只能從程式碼、README 與舊文章拼回來。
- 當年是 Alpha 軟體，API 在不同版本間會變動，部分外掛也沒做完。
- 自架需要 Docker、Node、Temporal worker 與 OpenAI 金鑰，還得有耐心除錯一套無人維護的架構。
常見問題
Unbody 是處理 AI 功能的後端。它從 Google Drive、Discord 等來源抓取內容，加上摘要與中繼資料，存放向量，再透過 GraphQL API 提供結果。團隊用它做語意搜尋、文件問答與生成式回答。
相關內容
探索與 Unbody 相關的工具、技能與文章。
Unbody 替代方案
Base Code
Base44 (Wix) · 程式設計 · 生產力Base Code 是 Base44 推出的共享雲端開發環境。團隊在對話中描述對既有 GitHub 儲存庫的修改，看著預覽確認結果，再以 Pull Request 交回工程團隊。
Google EmbeddingGemma 2
Google DeepMind · 寫作 · 圖片 · 程式設計Google EmbeddingGemma 2 是 7.4 億參數的開源模型，能把文字、程式碼、圖片、音訊與影片畫面轉成同一個 768 維空間裡的向量，在手機與筆電上就能執行。
GitGlow
GitGlow · 程式設計 · 生產力GitGlow 是桌面版 Git 用戶端，把你自己的程式碼與 AI 代理程式的變更集中在同一份審查裡，讓你在交付前看清楚機器上究竟要送出什麼。