Vectora
概览
作者提供的说明（英文原文）
AI assistant with RAG, web search, filesystem and memory. MCP sub-agent for Claude Code.
PopNx MCP 的三大支柱
这三项永远不会合并成一个分数：意见、测量和人气是不同的东西。
- 用户评价i暂无评价评价功能将在后续阶段与账户功能一起开放
- 我们的基础检查i2 项中通过 2 项依据公开信息检查；尚未扫描代码
- 使用情况i非常新↓ 16/周 · ★ 1
它能帮你做什么
我们还没有为它写通俗的介绍。下面是我们从注册中心读取到的事实。
- 连接方式: 在你的电脑上运行
- 传输方式: stdio
- 分类: 搜索与 AI 记忆
- 你需要填写：GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY
安装
选择你使用的 AI 应用，然后复制设置。
安装之前
- 基础检查：2 项中通过 2 项
- 在你的电脑上运行，拥有你的用户账户的权限（文件、网络、应用）。
- 需要你自己填写：
GOOGLE_API_KEY,COHERE_API_KEY,TAVILY_API_KEY,OPENAI_API_KEY,ANTHROPIC_API_KEY,LANGSMITH_API_KEY
标为机密的值是你账户的钥匙。千万不要分享给别人，也不要粘贴到聊天里。
你需要
你用的是哪个应用？
在上方选择你的应用。我们会记住它，下次按钮会显示“安装到 …”。
打开 Claude Desktop → Settings → Developer → Edit Config，把下面的内容粘贴到 claude_desktop_config.json
{
"mcpServers": {
"vectora": {
"command": "uvx",
"args": [
"vectora-agent"
],
"env": {
"GOOGLE_API_KEY": "your-value",
"COHERE_API_KEY": "your-value",
"TAVILY_API_KEY": "your-value",
"OPENAI_API_KEY": "your-value",
"ANTHROPIC_API_KEY": "your-value",
"LANGSMITH_API_KEY": "your-value"
}
}
}
}在终端中运行这条命令
claude mcp add vectora --env GOOGLE_API_KEY=your-value --env COHERE_API_KEY=your-value --env TAVILY_API_KEY=your-value --env OPENAI_API_KEY=your-value --env ANTHROPIC_API_KEY=your-value --env LANGSMITH_API_KEY=your-value -- uvx vectora-agent运行前请先填写空着的值。
或者自己复制设置
粘贴到项目中的 .cursor/mcp.json，或 ~/.cursor/mcp.json
{
"mcpServers": {
"vectora": {
"command": "uvx",
"args": [
"vectora-agent"
],
"env": {
"GOOGLE_API_KEY": "your-value",
"COHERE_API_KEY": "your-value",
"TAVILY_API_KEY": "your-value",
"OPENAI_API_KEY": "your-value",
"ANTHROPIC_API_KEY": "your-value",
"LANGSMITH_API_KEY": "your-value"
}
}
}
}浏览器会先询问是否打开应用，然后应用会显示设置并请你确认。密钥的值会留空，由你自己填写。
或者自己复制设置
粘贴到项目中的 .vscode/mcp.json
{
"servers": {
"vectora": {
"type": "stdio",
"command": "uvx",
"args": [
"vectora-agent"
],
"env": {
"GOOGLE_API_KEY": "your-value",
"COHERE_API_KEY": "your-value",
"TAVILY_API_KEY": "your-value",
"OPENAI_API_KEY": "your-value",
"ANTHROPIC_API_KEY": "your-value",
"LANGSMITH_API_KEY": "your-value"
}
}
}
}浏览器会先询问是否打开应用，然后应用会显示设置并请你确认。密钥的值会留空，由你自己填写。
这个服务器在你的电脑上运行，而 ChatGPT 只能连接互联网上的服务器。请选择其他应用。
你的选择通过 Cookie 保存在这台设备上，无需账户。
需要你填写的值
- Google Gemini API key (recommended free-tier LLM provider)
- Cohere API key — required for RAG embeddings and reranking
- Tavily API key — required for web search and URL extraction
- OpenAI API key (optional — alternative LLM provider)
- Anthropic API key (optional — alternative LLM provider)
- LangSmith API key (optional — tracing and observability)
这些设置是根据作者在注册中心的条目生成的。如果 README 的写法不同，请以 README 为准。
哪些应用可以使用它
依据这个服务器的连接方式和各应用自己的文档，检查于 2026年11月10日。
在你的电脑上运行，适用于
ClaudeGooseLM StudioMsty StudioCherry StudioCursorVS Code + GitHub CopilotVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantClaude CodeCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatRaycast
它能做什么
它在你的电脑上运行；安装后，工具列表会显示在你的 AI 应用中。
基础检查i
我们检查的是任何人都能看到的信息；我们没有阅读代码。不适用的检查项不计入总数。 · 检查于 2026年11月10日
- ✓ 通过
作者与仓库一致
注册名称已通过 GitHub 账户 brunosrz 验证，该账户拥有此仓库
- ✓ 通过
仍在维护
代码最后更新于前天
- … 尚未检查
有许可证
我们还没有从 GitHub 读取这个仓库
- – 不适用
端点有响应
它在你的电脑上运行，没有互联网端点
- – 不适用
使用 OAuth 登录
在你的电脑上运行，改用本地设置
- … 尚未检查
工具描述中没有隐藏指令
它在你的电脑上运行；我们只能读取互联网端点的工具列表
与“搜索与 AI 记忆”中的其他服务器比较i
- 星标数多于此分类中其他 5865 个服务器的 73%
- 发布到注册中心的时间比此分类中其他 5865 个服务器的 13% 更新
- 基础检查结果等于或优于此分类中其他 5865 个服务器的 100%
与注册中心里这个分类中所有活跃的服务器比较。只有当发布者拥有该仓库时，星标数才计入。
常见问题
Vectora 安全吗？
它在 2 项适用的基础检查中通过了 2 项。我们没有阅读代码。在添加密钥或令牌之前，请先看看这个服务器要求哪些权限，并使用只具备所需权限的密钥。
它需要哪些密钥或代码？
你需要填写：GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY
它在我的电脑上运行还是在云端？
它在你的电脑上运行。你的 AI 应用会在需要时启动它，数据不会经过作者的服务器（除非它自己调用在线服务）。
它还在维护吗？
GitHub 仓库最后更新于前天，最新版本（0.1.0rc3）于6个月前进入注册中心。
哪些应用可以使用它？
支持 MCP 的应用，例如 Claude Desktop、Claude Code、Cursor 和 VS Code。你的电脑上还需要有 Python (uv)。
有什么可以替代它？
同一分类中有：Ruflo, Context7, Metabase
替代选择
同一分类中其他作者的服务器，按星标数排序。
如何看卡片：↓ 每周下载量i★ GitHub 星标i三大支柱：评价 · 检查 · 使用情况i更新 = 最新版本发布到注册中心的时间i
作者的 README
打开 README
按原文从作者的仓库复制。PopNx MCP 没有审查或背书其内容。HTML、图片和脚本已被移除。链接会离开本站。
Vectora
Vectora é um assistente de IA self-hosted para equipes de desenvolvimento — roda inteiramente no seu servidor, com um workbench completo (arquivos, git, terminal, RAG, Context Graph, browser) compartilhado entre você e o agente, e vem com um chat web multi-usuário.
No seu núcleo, o Vectora resolve o problema do abismo de conhecimento: os LLMs não conhecem sua base de código, sua documentação ou as versões mais recentes da sua stack. O Vectora preenche essa lacuna por dois caminhos complementares: RAG híbrido (BM25 + vetores densos + reranker Cohere/VoyageAI) para recuperação por similaridade, e o Context Graph — um grafo de conhecimento nativo do workspace (funções, classes, conceitos e suas relações, via tree-sitter + extração semântica por LLM) para contexto estrutural.
Por que o Vectora?
- Motor nativo — o loop de execução (
backend/engine/conversation_loop.py::run_conversation) é umwhileimperativo, não um grafo compilado. Isso dá HITL configurável por modo de permissão, backends de filesystem pluggable e um supervisor que delega para 2 subagentes especializados com instruções explícitas — sem hops de roteamento desnecessários. - Pipeline RAG híbrido — cada recuperação roda BM25 + busca vetorial densa + reranker antes de voltar para o supervisor sintetizar a resposta.
- Context Graph nativo — analisa o workspace (AST via tree-sitter para Python/JS/TS/Go/Rust/Java/C/C++, + extração semântica por LLM) e gera um grafo de conhecimento com god nodes, comunidades e perguntas sugeridas. Configurável por tipo de arquivo (ex.: só markdown, deixando o código para o RAG).
- 70+ ferramentas nativas — filesystem, git (14 operações), GitHub (
gh), terminal (PTY real), web, RAG, memória, integrações opcionais (Jira, Slack, Linear, Google Drive, Gmail, Notion) e utilitárias (hash, JWT, regex, HTTP) — sempre disponíveis, sem instalar plugins. - Resiliência de provider — fallback automático de LLM por quota (429 troca de provider sozinho, com aviso visível) e de embeddings/rerank (Cohere↔VoyageAI). O model selector reflete o provider ativo.
- Embeddings curados — resultados da busca web passam por um gate de curadoria (reranker + LLM judge) antes de serem indexados. Sua base de conhecimento nunca é contaminada.
- Chat web multi-usuário — interface React 19 (Vite + TanStack Router) com autenticação, RBAC, workspaces e a workbench (terminal, git, arquivos, context graph, memória, planos — ver abaixo).
- Memória persistente entre sessões — memória isolada por usuário, com checkpoint nativo (
SessionStore) por thread. - Infraestrutura zero no modo lite — SQLite + LanceDB. Sem Docker ou Postgres para uso local ou times pequenos. O modo complete (Postgres + Qdrant + Redis) já existe como caminho alternativo para quem precisa de mais escala.
- Multi-LLM — Google Gemini, OpenAI, Anthropic, Cohere, ou Ollama (totalmente local). O model selector lista apenas os providers com API key configurada.
Arquitetura
Supervisor + Subagentes (motor nativo)
O agente principal (backend/services/agent_factory.py) roda sobre o motor nativo (backend/engine/conversation_loop.py::run_conversation) — um loop while imperativo, não um grafo compilado. O supervisor responde direto para consultas simples ou delega, via a tool nativa delegate_to_subagent, para um dos 2 subagentes especializados:
| Agente | Papel | Ferramentas principais |
|---|---|---|
| orchestrator | Supervisor — responde direto OU delega para coder/search | create_artifact, save_memory, get_memory, delete_memory, RAG |
| coder | Filesystem, terminal, git — geração e revisão de código | file_read, file_edit, file_write, grep, list_dir, terminal, tools de git |
| search | Busca web em tempo real + RAG (não há subagente de RAG separado) | web_search, web_fetch, vector_search, embedding, ingest_docs |
HITL (Human-in-the-Loop) roda via should_require_approval (backend/engine/hitl.py), configurável por modo de permissão (perguntar sempre / aceitar edições / autônomo / plano).
Pipeline de RAG (dentro das tools search/rag)
| Score | Caminho |
|---|---|
| ≥ 0.7 | Injeção direta no contexto — alta confiança |
| 0.4–0.7 | Rerank (Cohere/VoyageAI) → injeção |
| < 0.4 | Cai para busca web, com os resultados curados (reranker + LLM judge) antes de indexar |
Workbench (painel lateral)
No modo Code, o chat vem com um painel lateral multi-aba — a workbench. Cada aba renderiza a partir de dados do backend em tempo real:
| Aba | O que faz |
|---|---|
| File System | Árvore do workspace; abre arquivos como janelas flutuantes (redimensionáveis, arrastáveis), edita via Monaco Editor, e fixa arquivos ("pin") para manter no contexto. |
| Git | Status (staged/unstaged/untracked), diff por arquivo com hunks, histórico de commits, stash e worktrees. |
| Search | Busca em todo o workspace (arquivos + conteúdo). |
| Plan | Planos, specs e guias gerados pelo agente (create_artifact, markdown em ~/.vectora/artifacts/). |
| Segundo plano | Tarefas em segundo plano da sessão + histórico de execuções. |
| Preview | Configura targets de run (servidor/comando) e mostra o preview do projeto. |
| Memory (RAG) | Memórias e citações RAG/web indexadas + settings de RAG: reranker on/off + top_k, provider de rerank/embedding (Cohere/Voyage/auto), tipos de arquivo a ingerir, e gestão de coleções (listar/apagar). |
| Context Graph | Constrói e exibe o grafo de conhecimento do workspace (god nodes, conexões, perguntas) + settings: tipos de arquivo a indexar (code/document/paper) e modo (semântico/AST). Build pausável e retomável por quota. |
| Terminal | Shell embarcado real via PTY (pywinpty/ptyprocess) renderizado com xterm.js, com tema dinâmico sincronizado ao tema da UI. |
Os artefatos do Context Graph e o cache ficam em .vectora/context-graph/ dentro do workspace; o que estiver no .vectoraignore (ignore unificado, vale para context graph, RAG, filesystem e chat) é invisível para o Vectora.
Pré-requisitos
| Requisito | Notas |
|---|---|
| Python 3.13 | Gerenciado pelo uv — fixado em 3.13 (Nuitka ainda não suporta 3.14) |
| Node.js 24+ | Para o frontend web (pnpm obrigatório) |
| Chave Cohere | Embeddings + reranking — plano gratuito |
| Chave Tavily | Busca web — plano gratuito |
| Provedor LLM | Google Gemini, OpenAI, Anthropic, Cohere, ou Ollama |
Início rápido (a partir do código fonte)
git clone https://github.com/vectora-ltda/vectora.gitcd vectora
Instalar dependências Python
uv sync
Copiar e preencher suas chaves de API
cp .env.example .env
Edite o .env: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY
Instalar dependências do frontend (SPA Vite)
pnpm --dir frontend install
Terminal 1 — backend completo + SPA (porta 8080)
uv run vectora start --port 8080
Terminal 2 — frontend dev (Vite, porta 3000, faz proxy p/ a API)
pnpm --dir frontend dev
Abra http://localhost:3000. O primeiro usuário a se cadastrar vira administrador root.
CLI de operação (VPS via SSH)
O frontend cobre toda a configuração, mas em VPS via SSH a CLI Rich expõe o essencial:
uv run vectora config keys # wizard de API keys + provider de LLMuv run vectora config docker up # sobe Postgres + Redis + Qdrant local uv run vectora start --headless # backend sem Electron (modo servidor) uv run vectora web # HTTP + Electron/Chromium, sem bandeja Python
Build (SCons)
O sistema de build usa SCons, incluído como dependência de dev, invocado a partir da raiz do repositório. Funciona direto no PowerShell, cmd, bash ou zsh — sem dependência de sintaxe shell específica.
Produto final (do zero ao instalador)
scons release Build completo + instalador nativo para o SO atualBump de versão, build dos instaladores e publicação no canal de update rodam só via GitHub Actions, disparados por uma tag v* real (criada quando o usuário mescla o PR de release acumulado que release-please.yml mantém automaticamente) ou por workflow_dispatch manual.
Pipeline executado em sequência (encadeado automaticamente por release):
build frontend (Vite) --> build híbrido do backend --> Electron + electron-builderfrontend/dist/ dist/vectora/vectora(.exe) frontend/dist-electron/
O "build híbrido" (build-hybrid.py, chamado pelo scons) compila só o pacote `backend/` em C via Nuitka --mode=package (gera backend.pyd) e depois usa PyInstaller para empacotar o launcher + backend.pyd + libs Python num único vectora.exe. Compilar só o backend (em vez de onefile puro) evita OOM ao compilar dependências gigantes (google.genai.types, LanceDB) para C. O pipeline de CI (GitHub Actions) ainda usa Nuitka onefile direto para as builds nativas de release — os dois caminhos convivem hoje.
Qualidade
scons tests Suíte completa: pytest tests/ (unit+integration+e2e+stress) + vitestscons coverage Mesma suíte com relatório de cobertura scons lint ruff + ty + bandit (Python) + tsc + oxlint (TypeScript) scons tests-storage Só testes de storage (Postgres/Redis/Qdrant — sobe docker automaticamente) scons clean Remove dist/ frontend/dist/ frontend/electron/dist* scons help Lista completa com descrições
Nota: no Windows basta abrir o PowerShell ou cmd na r