Vectora

Name: Vectora
Author: brunosrz

作者：brunosrz版本 0.1.0rc3i★ –i在你的电脑上运行

注册名称io.github.brunosrz/vectora

安装

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i1 项中通过 1 项依据公开信息检查；尚未扫描代码
使用情况i尚未统计★ –

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：1 项中通过 1 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

PyPI已安装 Python 的 uv（用于 uvx 命令）

你用的是哪个应用？

ClaudeClaude CodeCursorVS CodeChatGPT

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。

在 Cursor 中打开

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。

在 VS Code 中打开

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_API_KEY 机密 env
Google Gemini API key (recommended free-tier LLM provider)
COHERE_API_KEY 机密必填 env
Cohere API key — required for RAG embeddings and reranking
TAVILY_API_KEY 机密必填 env
Tavily API key — required for web search and URL extraction
OPENAI_API_KEY 机密 env
OpenAI API key (optional — alternative LLM provider)
ANTHROPIC_API_KEY 机密 env
Anthropic API key (optional — alternative LLM provider)
LANGSMITH_API_KEY 机密 env
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。

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6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
… 尚未检查
仍在维护
我们还没有从 GitHub 读取这个仓库
… 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 7247 个服务器的 0%
发布到注册中心的时间比此分类中其他 7247 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 7247 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 1 项适用的基础检查中通过了 1 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–，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：Context7, Codebase Memory, Exa

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：★ 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

Context7

作者：upstash

Up-to-date docs for AI agents

电脑或云端★ 64,224MIT今天更新

安装

Codebase Memory

作者：DeusData

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

在你的电脑上运行★ 48,148MIT20天前更新

安装

Exa

作者：exa-labs

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

在云端运行★ 5,213MIT上个月更新

安装

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 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

只显示了开头部分；其余内容请在仓库中阅读

Vectora

概览

PopNx MCP 的三大支柱

它能帮你做什么

安装

安装之前

需要你填写的值

它能做什么

基础检查i

作者与仓库一致

仍在维护

有许可证

端点有响应

使用 OAuth 登录

工具描述中没有隐藏指令

与“搜索与 AI 记忆”中的其他服务器比较i

常见问题

替代选择

Context7

Codebase Memory

Exa

作者的 README

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`)