searchbox 0.1.1

A compact local vector search service with an agent interface.

searchbox

searchbox 是一个轻量的本地知识库检索项目，内置：

• Milvus Lite 本地向量数据库
• FastAPI 检索服务
• 文档入库、文档检索、chunk 检索、文件删除
• Agent 工具调用能力
• 可配置的 embedding / rerank provider

它的目标不是做复杂 RAG 平台，而是提供一个容易安装、容易启动、容易二次开发的本地向量检索底座。

适合什么场景

• 把本地文档放进向量数据库
• 根据问题检索相关文档
• 在指定文档内部定位相关片段
• 让 Agent 自动调用本地知识库和 Web 搜索工具
• 作为一个可发布到 pip 的精简 Python package

项目结构

searchbox/
├── pyproject.toml
├── config.example.yaml
├── README.md
└── searchbox/
    ├── __main__.py              # CLI: init / start / check / run
    ├── __init__.py              # 对外导出
    ├── config.py                # Agent 配置
    ├── clients.py               # HTTP 客户端、文件读取
    ├── agent.py                 # Agent 工具编排
    ├── default_config.yaml      # 默认配置模板
    └── server/
        ├── app.py               # FastAPI + 检索业务逻辑
        ├── store.py             # Milvus Lite 读写
        └── chunking.py          # 文本切块

服务端被刻意压平，核心逻辑集中在 server/app.py、server/store.py、server/chunking.py，方便阅读和维护。

安装

在项目根目录执行：

cd /home1/lsn/重构版searchbox
pip install -e .

安装后会得到一个命令：

searchbox --help

5 分钟跑通

1. 生成配置文件

searchbox init --output config.yaml

2. 创建数据目录

mkdir -p data

默认向量数据库文件是：

./data/milvus_local.db

这个文件由 Milvus Lite 在运行时创建，不需要手动准备。

3. 启动本地知识库服务

searchbox start --config config.yaml

默认监听：

http://127.0.0.1:18765

4. 检查服务

另开一个终端：

searchbox check --config config.yaml

正常会输出：

{"ok": true}

入库和检索

当前包提供两种使用方式：

• HTTP API
• Python 客户端

方式一：HTTP API

文本入库

curl -X POST http://127.0.0.1:18765/ingest \
  -H "Content-Type: application/json" \
  -d '{
    "user_id": "alice",
    "files": [
      {
        "file_path": "notes/example.txt",
        "text": "searchbox 是一个本地向量检索项目，使用 Milvus Lite 存储文档 chunk。"
      }
    ]
  }'

文档级检索

curl -X POST http://127.0.0.1:18765/search \
  -H "Content-Type: application/json" \
  -d '{
    "user_id": "alice",
    "query": "searchbox 用什么存储向量？",
    "top_k": 3,
    "include_content": true
  }'

单文档 chunk 检索

curl -X POST http://127.0.0.1:18765/search/chunks \
  -H "Content-Type: application/json" \
  -d '{
    "user_id": "alice",
    "file_path": "notes/example.txt",
    "query": "Milvus Lite 的作用是什么？",
    "top_k": 3
  }'

查看文件列表

curl "http://127.0.0.1:18765/files?user_id=alice"

删除文件

curl -X DELETE http://127.0.0.1:18765/files \
  -H "Content-Type: application/json" \
  -d '{
    "user_id": "alice",
    "file_path": "notes/example.txt"
  }'

方式二：Python 客户端

from searchbox import KnowledgeClient

client = KnowledgeClient("http://127.0.0.1:18765")

client.ingest(
    user_id="alice",
    files=[
        {
            "file_path": "notes/example.txt",
            "text": "searchbox 使用 Milvus Lite 做本地向量数据库。",
        }
    ],
)

results = client.search(
    user_id="alice",
    query="searchbox 用什么做向量数据库？",
    top_k=3,
)

print(results)

如果你要把本地文件或目录入库：

from searchbox import KnowledgeClient

client = KnowledgeClient("http://127.0.0.1:18765")
inserted_files = client.add_path(user_id="alice", path="./docs")

print(inserted_files)

支持的文件类型包括：

• .txt
• .md
• .rst
• .py
• .toml
• .yaml
• .yml
• .csv
• .tsv
• .html
• .htm
• .json
• .pdf

PDF 读取依赖系统命令 pdftotext。如果环境没有这个命令，PDF 内容会读不到。

Agent 使用

Agent 会把本地知识库检索、单文档 chunk 检索、文件管理、Web 搜索包装成工具，让模型按需调用。

命令行运行 Agent

先启动服务：

searchbox start --config config.yaml

另开终端：

searchbox run --config config.yaml "帮我查一下本地文档里关于 Milvus Lite 的内容"

如果想像终端助手一样连续交互：

searchbox chat --config config.yaml

进入后直接输入问题：

你> 多模态检索
你> 继续说说它的数据集
你> q

chat 模式会保留本轮会话上下文。输入 exit、quit 或 q 退出。

会话会自动保存到：

~/.searchbox/sessions/

恢复最近一次会话：

searchbox chat --config config.yaml --resume

恢复指定会话：

searchbox chat --config config.yaml --resume 20260716-120000-a1b2c3

列出历史会话：

searchbox chat --list-sessions

交互模式支持：

• Markdown 渲染
• 输出流式显示
• 检索 / 思考阶段 spinner
• 历史记录上下键检索
• 自动保存 / 恢复历史会话
• /sessions 列出历史会话
• /resume <session_id> 切回历史会话
• /history 查看当前会话历史
• /new 创建新会话
• /model <model_name> 动态切换主模型
• /multi 开启/关闭多行输入
• /status 查看当前连接、用户、模型
• /clear 清空上下文
• /cls 清屏

多行输入开启后，使用 Esc+Enter 提交。

Python 中运行 Agent

from langchain_core.messages import HumanMessage
from searchbox import AgentConfig, build_agent

cfg = AgentConfig.from_yaml("config.yaml")
agent = build_agent(cfg)

result = agent.invoke({
    "messages": [
        HumanMessage(content="本地知识库里有没有关于 Milvus Lite 的说明？")
    ]
})

print(result["messages"][-1].content)

配置说明

生成的 config.yaml 同时包含服务端配置和 Agent 配置。

服务端配置

server:
  milvus_uri: "./data/milvus_local.db"
  milvus_db_name: "default"
  milvus_collection: "knowledge"
  embed_provider: "mock"
  rerank_provider: "mock"
  embed_dim: 1024
  metric_type: "IP"
  default_chunk_max_chars: 2000
  default_chunk_overlap: 200

关键字段：

• milvus_uri：Milvus Lite 数据库文件路径
• milvus_collection：默认 collection 名称
• embed_provider：embedding provider，当前支持 mock 和 vllm
• rerank_provider：rerank provider，当前支持 mock 和 vllm
• embed_dim：向量维度，必须和实际 embedding 模型输出一致
• metric_type：向量相似度指标，默认 IP
• default_chunk_max_chars：默认 chunk 最大字符数
• default_chunk_overlap：相邻 chunk 重叠字符数

vLLM 配置

如果你有外部 vLLM embedding / rerank 服务，可以改成：

server:
  embed_provider: "vllm"
  rerank_provider: "vllm"
  embed_dim: 1024
  vllm_embed_base_url: "http://127.0.0.1:8806"
  vllm_embed_model: "Qwen/Qwen3-Embedding-0.6B"
  vllm_embed_api_key: "EMPTY"
  vllm_rerank_base_url: "http://127.0.0.1:8807"
  vllm_rerank_model: "Qwen/Qwen3-Reranker-4B"
  vllm_rerank_api_key: "EMPTY"

如果只是本地测试，不需要配置 vLLM，默认 mock provider 就能跑通完整流程。

注意：mock provider 只是确定性的假向量和假重排，适合 smoke test，不适合真实语义检索效果评估。

Agent 配置

llm:
  base_url: "http://127.0.0.1:7815/v1"
  api_key: "replace_me"
  model: "gpt-4o-mini"
  temperature: 0

knowledge:
  base_url: "http://127.0.0.1:18765"
  user_id: "default"
  collection: null
  timeout: 60

web:
  server_url: "http://127.0.0.1:16536/search"
  api_key: ""
  engine: "google"
  timeout: 30

runtime:
  final_top_k: 5
  recall_top_p: 20

关键字段：

• llm.base_url：OpenAI-compatible chat API 地址
• llm.api_key：模型服务 API key
• llm.model：模型名称
• knowledge.base_url：本地 searchbox 服务地址
• knowledge.user_id：当前用户 ID，用于数据隔离
• web.server_url：Web 搜索服务地址
• runtime.recall_top_p：embedding 粗排召回 chunk 数
• runtime.final_top_k：rerank 后最终返回结果数

旧配置字段 runtime.default_top_k 仍兼容，但新配置建议使用 runtime.final_top_k。

Milvus 数据库逻辑

searchbox 使用 Milvus Lite 存储 chunk 向量。

一篇文档入库后，会变成多条 chunk 记录：

document
  ↓
chunk 0
chunk 1
chunk 2
  ↓
Milvus records

每条记录包含：

user_id
file_path
title
chunk_id
start_offset
end_offset
content
embedding

查询时：

query
  ↓
embedding(query)
  ↓
Milvus 召回 top chunks
  ↓
rerank
  ↓
按 file_path 聚合成文档级结果

单文档 chunk 检索则会增加 file_path 限制，只在指定文档内部搜索。

用户隔离

所有入库、查询、删除接口都需要 user_id。

不同用户的数据放在同一个 collection 中，但查询表达式会自动加上：

user_id == "xxx"

因此同一个服务可以服务多个用户，但当前精简版不提供复杂的用户管理后台。

CLI 命令

searchbox init --output config.yaml

生成默认配置。

searchbox start --config config.yaml --host 127.0.0.1 --port 18765

启动本地知识库服务。

searchbox check --config config.yaml

检查服务健康状态。

searchbox run --config config.yaml "你的问题"

运行一次 Agent。

searchbox chat --config config.yaml

进入连续交互模式。

发布到 pip 的注意事项

数据库文件不应该打包进 wheel。

应该发布：

• Python 源码
• default_config.yaml
• pyproject.toml
• README

不应该发布：

• data/milvus_local.db
• __pycache__/
• .pytest_cache/
• 本地测试文档
• API key

常见问题

1. 为什么启动后没有看到数据库文件？

Milvus Lite 通常在第一次创建 collection 或写入数据时生成数据库文件。先调用一次 /ingest。

2. 为什么 mock 检索效果不好？

mock provider 只用于跑通流程。真实语义检索需要配置真实 embedding 模型，例如 vLLM embedding 服务。

3. 为什么 PDF 入库为空？

PDF 读取依赖 pdftotext。确认系统里有：

pdftotext -v

4. 重新入库同一个文件会重复吗？

不会。同一个 user_id + file_path 重新入库前，会先删除旧 chunk，再写入新 chunk。

5. 当前支持多个 collection 吗？

当前精简版只支持默认 collection。配置项中保留了 milvus_collection，但没有恢复多 collection 管理 API。

开发建议

优先从这三个文件开始看：

• searchbox/server/app.py
• searchbox/server/store.py
• searchbox/agent.py

如果要扩展真实 provider，建议直接在 server/app.py 里增加 _build_embed() 或 _build_rerank() 分支，保持项目结构简单。