能力标签
🛠
AI工具

Flamehaven-Filesearch AI技能包

基于 Python · 开源免费,本地部署,数据完全自主可控
英文名:Flamehaven-Filesearch
⭐ 101 Stars 🍴 13 Forks 💻 Python 📄 MIT 🏷 AI 8.2分
8.2AI 综合评分
RAG搜索引擎文档解析混合检索多LLM支持自托管
✦ AI Skill Hub 推荐

Flamehaven-Filesearch AI技能包 是 AI Skill Hub 本期精选AI工具之一。综合评分 8.2 分,整体质量较高。我们强烈推荐将其纳入你的 AI 工具库,帮助提升工作效率。

📚 深度解析
Flamehaven-Filesearch AI技能包 是一款基于 Python 的开源工具,在 GitHub 上收获 0k+ Star,是RAG搜索引擎、文档解析、混合检索、多LLM支持领域中的优质开源项目。开源工具的最大优势在于代码完全透明,你可以审计每一行代码的安全性,也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS?**
对于个人开发者和有隐私需求的用户,本地部署的开源工具意味着数据不离本机,不受第三方服务商的数据政策约束。同时,开源工具通常没有使用次数限制和月度费用,一次安装即可长期使用,对于高频使用场景的总拥有成本(TCO)远低于订阅制商业工具。

**安装与环境准备**
Flamehaven-Filesearch AI技能包 依赖 Python 运行环境。建议通过 pyenv(Python)或 nvm(Node.js)管理 Python 版本,避免全局环境污染。对于新手用户,推荐先创建虚拟环境(python -m venv venv && source venv/bin/activate),再安装依赖,这样即使出现问题也可以随时删除虚拟环境重新开始,不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues(已关闭的问题),大多数常见问题都已有解答。遇到 Bug 时,提供 pip list 的输出、完整错误堆栈和最小可复现示例,能显著提高开发者响应速度。AI Skill Hub 将持续追踪 Flamehaven-Filesearch AI技能包 的版本更新,及时通知重要功能变化。
📋 工具概览

自托管RAG搜索引擎,支持34种文档格式,结合BM25和混合搜索算法,集成多个LLM模型。适合需要本地部署文档检索、知识库管理的开发者和企业用户。

Flamehaven-Filesearch AI技能包 是一款基于 Python 开发的开源工具,专注于 RAG搜索引擎、文档解析、混合检索 等核心功能。作为 GitHub 开源项目,它拥有活跃的社区支持和持续的版本迭代,代码完全透明可审计,支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流,都能提供稳定可靠的解决方案。

GitHub Stars
⭐ 101
开发语言
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目,按需更新
开源协议
MIT
AI 综合评分
8.2 分
工具类型
AI工具
Forks
13
📖 中文文档
以下内容由 AI Skill Hub 根据项目信息自动整理,如需查看完整原始文档请访问底部「原始来源」。

自托管RAG搜索引擎,支持34种文档格式,结合BM25和混合搜索算法,集成多个LLM模型。适合需要本地部署文档检索、知识库管理的开发者和企业用户。

Flamehaven-Filesearch AI技能包 是一款基于 Python 开发的开源工具,专注于 RAG搜索引擎、文档解析、混合检索 等核心功能。作为 GitHub 开源项目,它拥有活跃的社区支持和持续的版本迭代,代码完全透明可审计,支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流,都能提供稳定可靠的解决方案。

📌 核心特色
  • 开源免费,支持本地部署,数据完全自主可控
  • 活跃的 GitHub 开源社区,持续迭代更新
  • 提供详细文档和使用示例,新手友好
  • 支持自定义配置,灵活适配不同使用环境
  • 可作为基础组件集成进现有技术栈或进行二次开发
🎯 主要使用场景
  • 本地部署运行,保护数据隐私,满足合规要求
  • 自定义集成到现有系统,扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发
以下安装命令基于项目开发语言和类型自动生成,实际以官方 README 为准。
安装命令
# 方式一:pip 安装(推荐)
pip install flamehaven-filesearch

# 方式二:虚拟环境安装(推荐生产环境)
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install flamehaven-filesearch

# 方式三:从源码安装(获取最新功能)
git clone https://github.com/flamehaven01/Flamehaven-Filesearch
cd Flamehaven-Filesearch
pip install -e .

# 验证安装
python -c "import flamehaven_filesearch; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库页面
  2. 按照 README 文档完成依赖安装
  3. 根据系统环境完成初始化配置
  4. 参考官方示例或文档开始使用
  5. 遇到问题可在 GitHub Issues 中查找解答
以下用法示例由 AI Skill Hub 整理,涵盖最常见的使用场景。
常用命令 / 代码示例
# 命令行使用
flamehaven-filesearch --help

# 基本用法
flamehaven-filesearch input_file -o output_file

# Python 代码中调用
import flamehaven_filesearch

# 示例
result = flamehaven_filesearch.process("input")
print(result)
以下配置示例基于典型使用场景生成,具体参数请参照官方文档调整。
配置示例
# flamehaven-filesearch 配置文件示例(config.yml)
app:
  name: "flamehaven-filesearch"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
flamehaven-filesearch --config config.yml

# 或通过环境变量配置
export FLAMEHAVEN_FILESEARCH_API_KEY="your-key"
export FLAMEHAVEN_FILESEARCH_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 90/100 含工作流图 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理,保留代码块、表格与列表结构。

简介

<img src="assets/logo.png" alt="FLAMEHAVEN FileSearch" width="200">

Features ✨

Core Capabilities

CapabilityDetail
**Search Modes**Keyword, semantic, and hybrid (BM25+RRF) with automatic typo correction
**Quality Gate**Confidence-scored hybrid results (PASS/FORGE/INHIBIT). FORGE augments with keyword fallback; INHIBIT flags low_confidence. Self-adapting BM25 pool via EMA meta-learner. Zero new dependencies.
**Obsidian Light Mode**Markdown-first vault ingest with frontmatter, aliases, tags, wikilinks, heading-aware chunking, context enrichment, exact note resolution
**34 File Formats**PDF, DOCX/DOC, XLSX, PPTX, RTF, HTML, CSV, LaTeX, WebVTT, images + plain text — see [Document Parsing](docs/wiki/Document_Parsing.md)
**RAG Pipeline**Structure-aware chunking, KnowledgeAtom 2-level indexing, sliding-window context enrichment, mtime parse cache
**Ultra-Fast Vectors**DSP v2.0 generates embeddings in <1ms — no ML frameworks required
**Source Attribution**Every answer links back to the originating document and chunk
**Framework SDKs**LangChain, LlamaIndex, Haystack, CrewAI adapters out of the box
**Enterprise Auth**API key hashing (SHA256+salt), OAuth2/OIDC, fine-grained permissions
**Admin Dashboard**Real-time metrics, quota management, batch processing (1–100 queries)
**Flexible Storage**SQLite (default) · PostgreSQL + pgvector · Redis cache (optional)
What changed in each release? See CHANGELOG.md for the full version history.

---

+ Image OCR (Pillow + pytesseract; requires Tesseract system binary)

pip install flamehaven-filesearch[vision]

Required Environment Variables

```bash export FLAMEHAVEN_ADMIN_KEY="your_secure_admin_password"

📦 Installation

```bash

Build from source

git clone https://github.com/flamehaven01/Flamehaven-Filesearch.git cd Flamehaven-Filesearch docker build -t flamehaven-filesearch:1.6.4 . ```

LangChain (pip install langchain-core)

from flamehaven_filesearch.integrations import FlamehavenLangChainLoader docs = FlamehavenLangChainLoader("report.pdf", chunk=True).load()

LlamaIndex (pip install llama-index-core)

from flamehaven_filesearch.integrations import FlamehavenLlamaIndexReader nodes = FlamehavenLlamaIndexReader(chunk=True).load_data(["report.pdf", "slides.pptx"])

Haystack (pip install haystack-ai)

from flamehaven_filesearch.integrations import FlamehavenHaystackConverter result = FlamehavenHaystackConverter().run(sources=["report.pdf"])

CrewAI (pip install crewai)

from flamehaven_filesearch.integrations import FlamehavenCrewAITool tool = FlamehavenCrewAITool() # pass to your agent's tools list ```

---

Quick Start 🚀

Option 2: Python SDK

Perfect for integrating into existing applications:

```python from flamehaven_filesearch import FlamehavenFileSearch, FileSearchConfig

Option 3: REST API

For language-agnostic integration:

```bash

Configuration ⚙️

Optional Configuration

export HOST="0.0.0.0"              # Bind address
export PORT="8000"                  # Server port
export REDIS_HOST="localhost"       # Distributed caching
export REDIS_PORT="6379"            # Redis port
export MAX_OUTPUT_TOKENS="1024"     # Max answer tokens
export TEMPERATURE="0.5"            # Model temperature (0.0–1.0)
export MAX_SOURCES="5"              # Max source documents per answer

Obsidian / Local Vault Configuration

For Markdown-heavy vaults, enable Obsidian light mode:

export OBSIDIAN_LIGHT_MODE=true
export OBSIDIAN_CHUNK_MAX_TOKENS=256
export OBSIDIAN_CHUNK_MIN_TOKENS=32
export OBSIDIAN_CONTEXT_WINDOW=1
export OBSIDIAN_RESPLIT_CHUNK_CHARS=1200
export OBSIDIAN_RESPLIT_OVERLAP_CHARS=160

This path preserves note structure and improves retrieval on dense vaults with many related notes. Operational details: Obsidian Light Mode

Advanced Configuration

Create a config.yaml for fine-tuned control:

vector_store:
  quantization: int8
  compression: gravitas_pack
  
search:
  default_mode: hybrid
  typo_correction: true
  max_results: 10
  
security:
  rate_limit: 100  # requests per minute
  max_file_size: 52428800  # 50MB

---

Configure Redis memory limit

docker run -d \ -p 6379:6379 \ redis:7-alpine \ --maxmemory 512mb \ --maxmemory-policy allkeys-lru ``` </details>

More solutions in our Wiki Troubleshooting Guide.

---

Ollama — fully local, zero API cost (Gemma, Llama, Mistral, Qwen, Phi …)

1. Generate API key

curl -X POST http://localhost:8000/api/admin/keys \ -H "X-Admin-Key: your_admin_key" \ -d '{"name":"production","permissions":["upload","search"]}'

+ Google Gemini API

pip install flamehaven-filesearch[google]

+ REST API server (FastAPI + uvicorn)

pip install flamehaven-filesearch[api]

Rotate API keys regularly

curl -X DELETE http://localhost:8000/api/admin/keys/old_key_id \ -H "X-Admin-Key: $FLAMEHAVEN_ADMIN_KEY" ```

---

Regenerate API key

curl -X POST http://localhost:8000/api/admin/keys \ -H "X-Admin-Key: $FLAMEHAVEN_ADMIN_KEY" \ -d '{"name":"debug","permissions":["search"]}'

</details>

<details>
<summary><b>🐌 Slow Search Performance</b></summary>

**Problem:** Searches taking >5 seconds.

**Solutions:**
1. Check cache hit rate: `FLAMEHAVEN_METRICS_ENABLED=1 curl http://localhost:8000/metrics`
2. Enable Redis for distributed caching
3. Verify Gemini API latency (should be <1.5s)
bash

Core package (HTML, CSV, LaTeX, WebVTT, plain-text parsing included — zero extra deps)

pip install flamehaven-filesearch

Framework Integrations

Framework SDKs (LangChain, LlamaIndex, etc.) are imported lazily — install only what you need:

```python

Troubleshooting 🐛

<details> <summary><b>❌ 401 Unauthorized Error</b></summary>

Problem: API returns 401 when making requests.

Solutions: 1. Verify FLAMEHAVEN_ADMIN_KEY environment variable is set 2. Check Authorization: Bearer sk_live_... header format 3. Ensure API key hasn't expired (check admin dashboard)

```bash

🇨🇳 中文文档镜像 AI 翻译 2026-05-24
英文原文章节由系统翻译为中文摘要,便于快速理解。完整原文见上方 "📑 README 深度解析"。
📌 简介

FLAMEHAVEN FileSearch 是一个用于文件搜索的项目,提供了多种搜索模式和质量门控功能。它支持 Obsidian Light Mode 和 Markdown-first 倉库。项目 logo 如下所示:<img src="assets/logo.png" alt="FLAMEHAVEN FileSearch" width="200">

⚡ 功能介绍

FLAMEHAVEN FileSearch 提供了以下功能: * 多种搜索模式(关键词、语义和混合模式) * 自动纠错功能 * 质量门控功能(PASS、FORGE 和 INHIBIT) * Obsidian Light Mode 支持

📋 环境依赖

FLAMEHAVEN FileSearch 需要以下环境依赖和系统要求: * Pillow 和 pytesseract(用于图像 OCR) * Tesseract 系统

🛠 安装步骤(Docker/pip/源码)

FLAMEHAVEN FileSearch 支持以下安装方式: * Docker(推荐):使用以下命令启动 FLAMEHAVEN FileSearch: ```bash docker run -d -p 8000:8000 -e GEMINI_API_KEY="your_gemini_api_key" -e FLAMEHAVEN_ADMIN_KEY="secure_admin_password" -v $(pwd)/data:/app/data flamehaven-filesearch:1.6.4 ```

🚀 使用教程

FLAMEHAVEN FileSearch 的使用方法如下: * 快速启动:使用以下命令启动 FLAMEHAVEN FileSearch: ```bash flamehaven-filesearch ```

⚙️ 配置说明(含 MCP / env)

FLAMEHAVEN FileSearch 的配置方法如下: * 使用环境变量:设置 FLAMEHAVEN_ADMIN_KEY 和 GEMINI_API_KEY 等环境变量 * 使用 MCP:使用 MCP 来配置 FLAMEHAVEN FileSearch

🔌 API 说明

FLAMEHAVEN FileSearch 提供了以下 API 接口: * Ollama:一个完全本地的 API 接口,零 API 成本 * Google Gemini API:一个用于图像 OCR 的 API 接口

❓ FAQ 摘要

FLAMEHAVEN FileSearch 的常见问题如下: * 401 未授权错误:检查 FLAMEHAVEN_ADMIN_KEY 环境变量是否设置正确,检查 Authorization 头是否正确,检查 API 密钥是否过期

🎯 aiskill88 AI 点评 A 级 2026-05-22

实用的开源RAG方案,多格式支持和混合检索算法优势明显,社区维护活跃。适合需要私密知识库管理的团队。

📚 实用指南(长尾问题)
适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
  • 需要从图片、PDF 提取文字的文档自动化场景
最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖,并挂载 volume 持久化数据
  • 本地部署优先选 GGUF 量化模型,节省显存并保持响应速度
  • 分块大小建议 256-512 tokens,向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
常见错误
  • API key 直接提交到 git 仓库(请用 .env 并加入 .gitignore)
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • embedding 模型与查询模型不一致导致检索失效
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
  • Python 依赖冲突:建议用 venv / uv 隔离环境
部署方案
  • Docker:Flamehaven-Filesearch 提供官方镜像,docker compose up 一键启动
  • 本地部署:CPU 8GB 起,GPU 推荐 16GB+ 显存
  • 云端托管:可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
Flamehaven-Filesearch 中文教程Flamehaven-Filesearch 安装报错怎么办Flamehaven-Filesearch Docker 部署Flamehaven-Filesearch Agent 工作流Flamehaven-Filesearch 与同类工具对比Flamehaven-Filesearch 最佳实践Flamehaven-Filesearch 适合谁用
⚡ 核心功能
👥 适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
  • 需要从图片、PDF 提取文字的文档自动化场景
⭐ 最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖,并挂载 volume 持久化数据
  • 本地部署优先选 GGUF 量化模型,节省显存并保持响应速度
  • 分块大小建议 256-512 tokens,向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库(请用 .env 并加入 .gitignore)
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • embedding 模型与查询模型不一致导致检索失效
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
👥 适合人群
AI 技术爱好者研究人员和学生开发者和工程师技术创业者
🎯 使用场景
  • 本地部署运行,保护数据隐私,满足合规要求
  • 自定义集成到现有系统,扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
✅ 优点
  • +MIT 协议,可免费商用
  • +完全开源免费,无授权费用
  • +本地部署,数据完全自主可控
  • +开发者社区支持,遇问题可查可问
⚠️ 不足
  • 安装和初始配置可能需要一定技术基础
  • 功能完整性通常不如成熟商业产品
  • 技术支持主要依赖开源社区,响应速度不稳定
⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台,本页面信息基于公开数据整理,不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后,再部署至生产环境,并做好必要的安全评估。

📄 License 说明

✅ MIT 协议 — 最宽松的开源协议之一,可自由商用、修改、分发,仅需保留版权声明。

🔗 相关工具推荐
📰 相关 AI 新闻
🍿 AI 圈相关吃瓜
🗺️ 相关解决方案
🧩 你可能还需要
基于当前 Skill 的能力图谱,自动补全的工具组合
❓ 常见问题 FAQ
支持34种格式,包括PDF、Word、Excel、代码文件等主流文档类型。
💡 AI Skill Hub 点评

经综合评估,Flamehaven-Filesearch AI技能包 在AI工具赛道中表现稳健,质量优秀。如果你已有明确的使用需求,可以直接上手体验;如果还在评估阶段,建议对比同类工具后再做决策。

📚 深入学习 Flamehaven-Filesearch AI技能包
查看分步骤安装教程和完整使用指南,快速上手这款工具
🌐 原始信息
原始名称 Flamehaven-Filesearch
原始描述 开源AI工具:Self-hosted RAG search engine — 34 formats, BM25+hybrid search, multi-LLM (Gemin。⭐101 · Python
Topics RAG搜索引擎文档解析混合检索多LLM支持自托管
GitHub https://github.com/flamehaven01/Flamehaven-Filesearch
License MIT
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/flamehaven01/Flamehaven-Filesearch 🌐 官方网站  https://flamehaven.space/work/flamehaven-filesearch/

收录时间:2026-05-17 · 更新时间:2026-05-19 · License:MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。