Ch19: AnythingLLM 架构精读——减法设计与适配器模式

Part 3 续：平台专章（末） 前置：Ch18: FastGPT 后续：Ch08: 评估方法论 完整精读：精读: AnythingLLM

结论先行：AnythingLLM 用 有意识的不做（无 BM25、无 Rerank、无图谱）换 Electron 单文件、LanceDB 嵌入式、30+ LLM / 11 向量库适配器。对个人场景 80% 查询纯向量「够用」——WeKnora 应学的是 默认零配置体验 与 适配器扩展模式，而非复制其检索深度。

调研元信息

一、减法设计的三条底线

1. 马上能用——无双击以外的安装步骤
2. 数据留本地——SQLite + 文件系统，默认 LanceDB
3. 模型可选——Ollama 离线 or 云端 API

不做：BM25、Rerank、KG、多租户、复杂 PDF 解析。

二、四层架构

Electron 壳
  → Express API（业务）
  → Collector（解析+向量化，独立进程）
  → React SPA

存储：不用 PostgreSQL——刻意减少进程数。

三、适配器模式（WeKnora 可对照）

// 概念接口 — 每种向量库一个文件
interface VectorDb {
  connect(): Promise<void>;
  addDocument(chunks): Promise<void>;
  similarSearch(query, k): Promise<Chunk[]>;
}

业务层只调接口；新增 Qdrant/Milvus 等 只加适配器文件。WeKnora 十库后端同源思路——可读 vector/ 适配层与 AnythingLLM storage/ 对照。

四、Workspace 隔离

每个 Workspace = 独立文档集 + 向量索引 + 对话 + system prompt。

模拟人类 领域切换（工作/学习/私人），无跨 workspace 检索——简单有效，企业场景不适用。

五、@agent 渐进复杂度

默认：纯 RAG 问答。输入 @agent 激活工具（爬虫、代码、SQL）。

渐进暴露 vs Dify 全程 DAG——AnythingLLM 默认极简，复杂能力按需解锁。WeKnora 可借鉴：简单模式（三路默认开）+ 专家模式（调 RRF k、Rerank 权重）。

六、失败场景（必须坦诚）

→ 个人够用，企业选 WeKnora/Dify/FastGPT。

七、离线可用的工程含义

本地 Ollama + LanceDB → 无网可问答。WeKnora 企业部署可考虑：内网 LLM 降级策略（API 不可达时切换本地模型 + 缓存检索结果）。

章末自检

• 说出 AnythingLLM 主动不做的三项 RAG 能力及原因
• 解释适配器模式如何支持 11 种向量库
• Workspace 与多租户的本质区别
• 列举 WeKnora 可从「减法设计」学的 two UX 点

下一章：Ch08: 如何衡量 RAG 的好坏——评估方法论

延伸阅读

• 精读: AnythingLLM
• Ch07 能力矩阵
• 选型决策树