LLM Wiki

Quivr: 어떤 LLM과 파일에도 연결되는 제품 중심의 오픈소스 RAG 프레임워크

Properties2
descriptionPyTorchKR 9bow 게시글의 핵심 내용과 실무적 의미를 원문에 근거해 정리한다.
tagsai-models, open-source, research

4 min read

출처

개요

Quivr는 문서 기반 챗봇과 지식 도우미를 구축할 때 필요한 파일 처리, 임베딩, 검색, 재순위, LLM 호출, 대화 이력 관리 등을 하나의 파이썬 RAG 프레임워크로 묶은 오픈소스 프로젝트입니다. 핵심 패키지인 quivr-core는 파일을 추가하고 질문하는 기본 동작을 몇 줄의 코드로 제공하며, Quivr.com 서비스의 기반 엔진으로도 사용됩니다. OpenAI·Anthropic·Mistral·Ollama 등 다양한 LLM과 PDF·TXT·Markdown 등의 파일 형식을 지원하고, 사용자 정의 파서를 추가할 수 있습니다. RAG 워크플로우는 YAML의 노드와 엣지로 정의하므로 검색 전략과 모델 설정을 코드 변경 없이 조정할 수 있습니다.

핵심 포인트

  • quivr-core의 Brain.from_files()와 brain.ask()를 사용해 파일 기반 질의응답을 간단히 구성할 수 있습니다.
  • 질문 재작성, 임베딩, 벡터 검색, 대화 이력 필터링, 답변 생성을 RAG 워크플로우로 제공합니다.
  • OpenAI, Anthropic, Mistral, Gemma, Ollama 등 다양한 LLM과 연결할 수 있습니다.
  • PDF, TXT, Markdown 등 여러 파일 형식을 지원하며, 직접 파서를 추가해 입력 형식을 확장할 수 있습니다.
  • 검색, 재순위, LLM 호출 등의 파이프라인 구조와 하이퍼파라미터를 YAML 설정으로 관리합니다.
  • 인터넷 검색이나 도구(tool)를 추가하는 방식으로 기본 RAG 파이프라인을 확장할 수 있습니다.
  • 파일 수집 과정에서 Quivr 팀의 파싱 도구인 Megaparse와 연동할 수 있습니다.

왜 중요한가

RAG 애플리케이션을 만들 때 반복적으로 구현해야 하는 문서 수집·검색·생성 파이프라인을 프레임워크 수준에서 제공해 제품 기능 개발에 집중할 수 있게 합니다. 특히 특정 LLM이나 벡터 저장소에 종속되지 않고, YAML 설정으로 워크플로우를 바꿀 수 있어 다양한 모델과 검색 전략을 비교하거나 제품 요구사항에 맞게 조정하기 쉽습니다. 다만 원문은 Quivr가 지원한다고 설명하는 기능과 사용 예시를 소개한 글이므로, 실제 지원 모델·저장소·API의 최신 상태는 공식 문서와 저장소에서 확인해야 합니다.

기본 사용 예시

from quivr_core import Brain
 
brain = Brain.from_files(
    name="my smart brain",
    file_paths=["./my_first_doc.pdf", "./my_second_doc.txt"],
)
 
answer = brain.ask("문서에 대해 물어볼 질문")
print("answer:", answer.answer)

후속으로 볼 링크 및 키워드

관련 위키

원문 보존 위치

원문 전체는 raw source: 2026-07-27-pytorchkr-topic-11403-quivr-llm-rag에 source_url 및 HTML 원문과 함께 저장되어 있습니다.