Vectora

Name: Vectora
Author: brunosrz

โดย brunosrzรุ่น 0.1.0rc3i★ –iรันบนเครื่อง

ชื่อใน registryio.github.brunosrz/vectora

ติดตั้ง

ภาพรวม

คำอธิบายจากผู้ทำ (ภาษาอังกฤษตามต้นฉบับ)

AI assistant with RAG, web search, filesystem and memory. MCP sub-agent for Claude Code.

สามเสาของ PopNx MCP

สามเรื่องนี้ไม่รวมเป็นคะแนนเดียว เพราะความเห็น การวัด และความนิยม เป็นคนละเรื่องกัน

เสียงผู้ใช้iยังไม่มีรีวิวรีวิวเปิดพร้อมระบบบัญชีในขั้นถัดไป
ผลตรวจเบื้องต้นของเราiผ่าน 1 จาก 1 ข้อตรวจจากข้อมูลที่เปิดอยู่ ยังไม่ได้สแกนโค้ด
การใช้งานiยังไม่ได้วัด★ –

ใช้ทำอะไรได้

ตัวนี้ยังไม่ได้เรียบเรียงเป็นภาษาไทย ด้านล่างคือข้อเท็จจริงที่เราอ่านจาก registry

การเชื่อมต่อ: รันบนเครื่อง
ช่องทาง (transport): stdio
หมวด: ค้นข้อมูลและความจำของ AI
ต้องใส่ค่าเหล่านี้: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY

ติดตั้ง

เลือกโปรแกรม AI ที่คุณใช้ แล้วคัดลอกค่าตั้งไปวาง

ก่อนติดตั้ง

ผลตรวจเบื้องต้น: ผ่าน 1 จาก 1 ข้อ
รันในเครื่องคุณด้วยสิทธิ์ของผู้ใช้คุณ (ไฟล์ อินเทอร์เน็ต แอปต่าง ๆ)
ค่าที่คุณต้องใส่เอง: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY

ค่าที่ติดป้ายความลับคือกุญแจของบัญชีคุณ อย่าส่งให้ใคร และอย่าวางในแชต

ต้องเตรียมก่อน

PyPIติดตั้ง uv ของ Python (มีคำสั่ง uvx) ในเครื่อง

คุณใช้แอปไหน

ClaudeClaude CodeCursorVS CodeChatGPT

เลือกแอปด้านบน เราจำไว้ให้ ครั้งหน้าปุ่มจะขึ้นว่า “ติดตั้งลง …”

เปิด Claude Desktop → Settings → Developer → Edit Config แล้ววางค่านี้ในไฟล์ claude_desktop_config.json

{
  "mcpServers": {
    "vectora": {
      "command": "uvx",
      "args": [
        "vectora-agent"
      ],
      "env": {
        "GOOGLE_API_KEY": "ใส่ค่าของคุณ",
        "COHERE_API_KEY": "ใส่ค่าของคุณ",
        "TAVILY_API_KEY": "ใส่ค่าของคุณ",
        "OPENAI_API_KEY": "ใส่ค่าของคุณ",
        "ANTHROPIC_API_KEY": "ใส่ค่าของคุณ",
        "LANGSMITH_API_KEY": "ใส่ค่าของคุณ"
      }
    }
  }
}

พิมพ์คำสั่งนี้ใน Terminal

claude mcp add vectora --env GOOGLE_API_KEY='ใส่ค่าของคุณ' --env COHERE_API_KEY='ใส่ค่าของคุณ' --env TAVILY_API_KEY='ใส่ค่าของคุณ' --env OPENAI_API_KEY='ใส่ค่าของคุณ' --env ANTHROPIC_API_KEY='ใส่ค่าของคุณ' --env LANGSMITH_API_KEY='ใส่ค่าของคุณ' -- uvx vectora-agent

เติมค่าที่เว้นว่างไว้ก่อนรัน

เปิดใน Cursor

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .cursor/mcp.json ของโปรเจกต์ หรือ ~/.cursor/mcp.json

{
  "mcpServers": {
    "vectora": {
      "command": "uvx",
      "args": [
        "vectora-agent"
      ],
      "env": {
        "GOOGLE_API_KEY": "ใส่ค่าของคุณ",
        "COHERE_API_KEY": "ใส่ค่าของคุณ",
        "TAVILY_API_KEY": "ใส่ค่าของคุณ",
        "OPENAI_API_KEY": "ใส่ค่าของคุณ",
        "ANTHROPIC_API_KEY": "ใส่ค่าของคุณ",
        "LANGSMITH_API_KEY": "ใส่ค่าของคุณ"
      }
    }
  }
}

เบราว์เซอร์จะถามก่อนเปิดแอป จากนั้นแอปแสดงค่าตั้งให้ตรวจแล้วกดยืนยัน ช่อง key เว้นว่างไว้ให้คุณใส่เอง

เปิดใน VS Code

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .vscode/mcp.json ของโปรเจกต์

{
  "servers": {
    "vectora": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "vectora-agent"
      ],
      "env": {
        "GOOGLE_API_KEY": "ใส่ค่าของคุณ",
        "COHERE_API_KEY": "ใส่ค่าของคุณ",
        "TAVILY_API_KEY": "ใส่ค่าของคุณ",
        "OPENAI_API_KEY": "ใส่ค่าของคุณ",
        "ANTHROPIC_API_KEY": "ใส่ค่าของคุณ",
        "LANGSMITH_API_KEY": "ใส่ค่าของคุณ"
      }
    }
  }
}

ตัวนี้รันในเครื่องคุณ แต่ ChatGPT ต่อได้เฉพาะ server บนอินเทอร์เน็ต ลองเลือกแอปอื่น

ตัวเลือกเก็บในคุกกี้บนเครื่องนี้ ไม่ต้องมีบัญชี

ค่าที่ต้องใส่เอง

GOOGLE_API_KEY ความลับ env
Google Gemini API key (recommended free-tier LLM provider)
COHERE_API_KEY ความลับ จำเป็น env
Cohere API key — required for RAG embeddings and reranking
TAVILY_API_KEY ความลับ จำเป็น env
Tavily API key — required for web search and URL extraction
OPENAI_API_KEY ความลับ env
OpenAI API key (optional — alternative LLM provider)
ANTHROPIC_API_KEY ความลับ env
Anthropic API key (optional — alternative LLM provider)
LANGSMITH_API_KEY ความลับ env
LangSmith API key (optional — tracing and observability)

ค่าตั้งนี้สร้างจากข้อมูลใน registry ของผู้ทำ ถ้าไม่ตรงกับ README ให้เชื่อ README

ทำอะไรได้บ้าง

รันในเครื่องคุณ รายการเครื่องมือจะขึ้นในแอป AI หลังติดตั้ง

ผลตรวจเบื้องต้นi

เราตรวจจากข้อมูลที่ใครก็เปิดดูได้ ยังไม่ได้อ่านโค้ด ข้อที่ไม่เกี่ยวกับตัวนี้ไม่นับในตัวหาร · ตรวจเมื่อ 6 พ.ย. 2569

✓ ผ่าน
ตัวตนผู้ทำตรงกับ repo
ชื่อใน registry ยืนยันด้วยบัญชี GitHub brunosrz ซึ่งเป็นเจ้าของ repo
… ยังไม่ตรวจ
ยังมีคนดูแล
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
… ยังไม่ตรวจ
มีสัญญาอนุญาต (license)
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
– ไม่เกี่ยว
endpoint ตอบ
ตัวนี้รันบนเครื่องคุณ ไม่มี endpoint บนอินเทอร์เน็ต
– ไม่เกี่ยว
ล็อกอินแบบ OAuth
ตัวนี้รันบนเครื่อง ใช้ค่าที่ตั้งในเครื่องแทน
… ยังไม่ตรวจ
คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง
รันในเครื่องคุณ เราอ่านรายการเครื่องมือได้เฉพาะตัวที่มี endpoint บนอินเทอร์เน็ต

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

ดาวมากกว่า 0% ของอีก 7248 ตัวในหมวดนี้
ส่งรุ่นใหม่เข้า registry ล่าสุดกว่า 13% ของอีก 7248 ตัวในหมวดนี้
ผลตรวจเบื้องต้นดีกว่าหรือเท่ากับ 100% ของอีก 7248 ตัวในหมวดนี้

เทียบกับทุก server ที่ยังใช้งานในหมวดนี้ทั้งทะเบียน ดาวนับเฉพาะเมื่อผู้ลงทะเบียนเป็นเจ้าของ repo

คำถามที่พบบ่อย

Vectora ปลอดภัยไหม?

จากการตรวจเบื้องต้นของเรา ผ่าน 1 จาก 1 ข้อที่ตรวจได้ เรายังไม่ได้อ่านโค้ด ก่อนใส่กุญแจหรือ token ให้ดูว่า server ขอสิทธิ์อะไร และเลือกกุญแจที่ทำได้เท่าที่จำเป็น

ต้องใช้กุญแจหรือรหัสอะไรบ้าง?

ต้องใส่ค่าเหล่านี้: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY, OPENAI_API_KEY, ANTHROPIC_API_KEY, LANGSMITH_API_KEY

ตัวนี้รันบนเครื่องหรือบนคลาวด์?

รันบนเครื่องของคุณ โปรแกรม AI จะเปิด server ขึ้นมาเองเมื่อใช้ ข้อมูลไม่ต้องผ่านเซิร์ฟเวอร์ของผู้ทำ (ยกเว้นตัวที่ไปเรียกบริการออนไลน์ต่อ)

ยังมีคนดูแลอยู่ไหม?

repo บน GitHub มีการแก้โค้ดล่าสุด – และส่งรุ่นล่าสุด (0.1.0rc3) เข้า registry 6 เดือนที่ผ่านมา

ใช้กับโปรแกรมไหนได้บ้าง?

โปรแกรมที่รองรับ MCP เช่น Claude Desktop, Claude Code, Cursor และ VS Code ตัวนี้ต้องมี Python (uv) ในเครื่องด้วย

มีตัวไหนใช้แทนได้บ้าง?

ในหมวดเดียวกันมี Context7, Codebase Memory, Exa

ตัวที่ใช้แทนได้

server หมวดเดียวกันจากผู้ทำคนอื่น เรียงตามดาว

อ่านการ์ด:★ ดาว GitHubiสามเสา: รีวิว · ผลตรวจ · การใช้งานiอัปเดต = วันที่ส่งรุ่นล่าสุดเข้า registryi

Context7

โดย upstash

ส่งคู่มือการใช้ไลบรารีและเฟรมเวิร์กรุ่นล่าสุดให้ AI อ่านก่อนตอบ ช่วยให้โค้ดที่ AI เขียนไม่ใช้คำสั่งเก่าที่เลิกใช้แล้ว

บนเครื่องหรือคลาวด์★ 64,224MITอัปเดต วันนี้

ติดตั้ง

Codebase Memory

โดย DeusData

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

รันบนเครื่อง★ 48,148MITอัปเดต 20 วันที่ผ่านมา

ติดตั้ง

Exa

โดย exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

รันบนคลาวด์★ 5,213MITอัปเดต เดือนที่แล้ว

ติดตั้ง

README จากผู้ทำ

เปิดอ่าน README

ส่วนนี้คัดจาก repo ของผู้ทำตามต้นฉบับ PopNx MCP ไม่ได้ตรวจหรือรับรองเนื้อหา ตัด HTML รูปภาพ และสคริปต์ออกแล้ว ลิงก์จะพาออกนอกเว็บ

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 um while imperativo, 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.git

cd 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 LLM

uv 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 atual

Bump 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-builder

frontend/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) + vitest

scons 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

ตัดมาแค่ช่วงต้น อ่านต่อใน repo

Vectora

ภาพรวม

สามเสาของ PopNx MCP

ใช้ทำอะไรได้

ติดตั้ง

ก่อนติดตั้ง

ค่าที่ต้องใส่เอง

ทำอะไรได้บ้าง

ผลตรวจเบื้องต้นi

ตัวตนผู้ทำตรงกับ repo

ยังมีคนดูแล

มีสัญญาอนุญาต (license)

endpoint ตอบ

ล็อกอินแบบ OAuth

คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

คำถามที่พบบ่อย

ตัวที่ใช้แทนได้

Context7

Codebase Memory

Exa

README จากผู้ทำ

Vectora

Por que o Vectora?

Arquitetura

Supervisor + Subagentes (motor nativo)

Pipeline de RAG (dentro das tools search/rag)

Workbench (painel lateral)

Pré-requisitos

Início rápido (a partir do código fonte)

Instalar dependências Python

Copiar e preencher suas chaves de API

Edite o .env: GOOGLE_API_KEY, COHERE_API_KEY, TAVILY_API_KEY

Instalar dependências do frontend (SPA Vite)

Terminal 1 — backend completo + SPA (porta 8080)

Terminal 2 — frontend dev (Vite, porta 3000, faz proxy p/ a API)

CLI de operação (VPS via SSH)

Build (SCons)

Produto final (do zero ao instalador)

Qualidade

Pipeline de RAG (dentro das tools `search`/`rag`)