Beever Atlas

社区

将团队聊天自动转化为知识图谱与自维护 Wiki 的开源 LLM 知识库

分类: 其他
Stars: ★ 449 非常热门
传输方式: stdio（本地进程） · Streamable HTTP
运行环境: 远程托管（无需本地环境） · Docker
凭据: 需要 API Key / 凭据
许可证: Apache-2.0
最近提交: 3 个月前
工具数: 15

47FMRS · D

Beever Atlas 是一个创新的 LLM 知识库实现，通过将聊天数据蒸馏为结构化的 Wiki 和知识图谱，提高了问答的准确性和可追溯性。它提供了丰富的 MCP 集成，适合需要团队知识管理的场景。然而，它需要自托管基础设施，配置较为复杂，并且 API 稳定性尚未保证，适合有技术能力的团队使用。

最强项 · 文档质量 14/20 最弱项 · 可靠性 5/20

可靠性

5/20

安全与权限

10/20

维护活跃度

10/20

文档质量

14/20

安装易用性

8/20

查看各项评分依据

可靠性 5/20: 清单格式完整，入口 python -m beever_atlas.api.mcp_server 与 README 所述 stdio 模式一致，属于加分项；但 README 明确说明该 stdio 模式“无 HTTP 服务器、无后端存储”，即打包发布的 OCI/stdio 入口只能用于工具列表自检/本地内省，无法真正连接知识库回答问题。主要文档示例走 streamable-http URL，与清单声明的 stdio 传输不一致；28 个工具目录、初始化握手及声明工具是否与真实行为一致均无源码可验证，也未提供 CI 或提交测试证据，因此按静态审查上限原则从低取值。
安全与权限 10/20: 未发现红线问题：无恶意代码、无凭据窃取或隐蔽外传迹象，安装示例只使用占位符，未出现真实令牌。README 披露了 MCP 使用 BEEVER_MCP_API_KEYS 鉴权、按主体限流、平台凭据以 AES-256-GCM 加密存储（CREDENTIAL_MASTER_KEY）、声明无遥测，且生产环境对 dev 默认值启用 fail-fast，均为正面信号；但工具目录提到“长时间运行操作”，其副作用（如触发同步、调用付费 LLM）是否需要显式确认、权限是否最小化，均无源码可验证，故按 10 分锚点给分，不给满分。
维护活跃度 10/20: Apache-2.0 许可证、SECURITY.md、CODE_OF_CONDUCT、NOTICE、文档站及版本化发布（0.3.0）齐全，仓库未归档，维护基础扎实；但本次只能核对清单与 README，提交频率、issue 响应时效、依赖更新等维护证据均无法验证；51 个未关闭 issue，且 README 的 API 稳定性章节仍停留在 0.1.0/0.2.0 规划（清单已是 0.3.0），存在版本治理/文档滞后，正好对应 10 分锚点“活跃但治理/版本有缺口”。
文档质量 14/20: README 分层详尽：三种安装方式、密钥用途表、生产加固清单（含必改项与原因）、架构说明、演示模式、常用命令，并单独引用 docs/mcp-server.md（28 工具目录、鉴权设置、Claude Code/Cursor 的 .mcp.json 模板、限流），还披露了隐私与 API 稳定性声明；扣分点：stdio 打包模式的功能定位表述自相矛盾（声称暴露同一工具目录却又无后端存储，令注册表用户误以为可实际查询）、API 稳定性章节引用 0.1.0/0.2.0 而清单为 0.3.0 属陈旧信息、成本与故障排查细节不足。
安装易用性 8/20: 完整部署路径在文档上是清晰的：docker compose 启动 7 个服务、./atlas 引导安装器（含非交互模式）、密钥生成命令、以及面向 Claude Code 的 .mcp.json 客户端示例；但被审查的 server.json 打包的是 docker/stdio 入口，而 README 说明该 stdio 模式无后端存储、仅供注册表/本地内省，无法形成对真实知识库的可用连接；功能性 MCP 使用需先部署整栈（2 个必填 API 密钥 + 自生成密钥 + 多服务），步骤多、依赖重；且无 CI/测试证据支撑，按静态上限 15 以下从低给 8 分。

静态评测 · 未实际运行收录于 2026-08-07

查看 FMRS 评分方法 →

选型与风险

能访问什么访问网络连接数据库

适合谁

需要从大量聊天记录中提炼可搜索、可引用知识的团队。
想要减少 AI 幻觉、提高答案一致性的 RAG 应用。
希望在开发环境中通过 MCP 让 AI 编码助手访问团队知识库的开发者。

不适合谁

需要一个简单聊天记录搜索工具的轻量级场景。
不满足于使用 Docker 或 Kubernetes 等基础设施，希望无服务器部署的用户。
需要与专有知识管理产品深度集成且不愿自托管的情况。

所需权限

需要读取 Slack、Discord、Teams 或 Mattermost 频道的权限（bot token 在 UI 中配置）。
需要访问外部 API：Gemini、Jina Embeddings（必需），可选 Tavily/Olostep 网络搜索。
运行时需要访问 Docker、网络端口（3000、8000、3001、8080、7474、7687、27017、6380）。
对于 MCP 客户端，需要 BEEVER_MCP_API_KEYS 认证。

风险与副作用

索引的聊天数据可能包含敏感信息，部署时需确保数据安全。
API 密钥（如 Gemini、Jina）如果泄露或未妥善保管，可能导致滥用和数据泄露。
自动生成的 Wiki 可能包含错误或不准确的信息，需要人工审核。
系统处于早期版本（0.3.0），API 不稳定，可能在未来版本中变更。

安装接入

准备工作

运行环境：远程托管（无需本地环境） · Docker

BEEVER_MCP_KEY 必填密钥 MCP 服务器的 Bearer 令牌，通过管理 BEEVER_MCP_API_KEYS 生成，见 docs/mcp-server.md。

GOOGLE_API_KEY 必填密钥 Gemini API 密钥，用于事实抽取、实体图谱和问答，在 aistudio.google.com/apikey 获取。

JINA_API_KEY 必填密钥 Jina v4 嵌入模型（2048 维）密钥，用于语义搜索，在 jina.ai/api-dashboard 获取。

TAVILY_API_KEY 可选密钥可选，QA 检索置信度低时的外部网页搜索，在 tavily.com 获取。

OLOSTEP_API_KEY 可选密钥可选，Tavily 的替代网页搜索，需设置 WEB_SEARCH_PROVIDER=olostep，在 olostep.com/dashboard 获取。

克隆仓库并进入目录：git clone https://github.com/beever-ai/beever-atlas.git && cd beever-atlas。
可选：运行 make demo 体验预置演示数据（无需 API 密钥）。
准备 API 密钥：GOOGLE_API_KEY（Gemini）和 JINA_API_KEY（嵌入）是必需的，可选 TAVILY_API_KEY 或 OLOSTEP_API_KEY 用于网络搜索。
选择部署方式：推荐运行 ./atlas 进行交互式安装，或手动复制 .env.example 并填写密钥，然后运行 docker compose up -d --build。
打开仪表盘（默认 http://localhost:3000），在设置中配置 AI 提供商。
在“连接”中添加工作区（Slack/Discord/Teams），同步频道。
对于 MCP 客户端，参考文档配置 .mcp.json，使用流式 HTTP 或 stdio 模式。

.cursor/mcp.json

{
  "mcpServers": {
    "beever-atlas": {
      "url": "https://atlas.example.com/mcp",
      "transport": "streamable-http",
      "headers": {
        "Authorization": "Bearer ${BEEVER_MCP_KEY}"
      }
    }
  }
}

以 Cursor 为例。其他客户端的配置文件位置或字段可能不同（如 VS Code 使用 servers 字段），可用下方配置生成器转换。

.vscode/mcp.json

{
  "servers": {
    "beever-atlas": {
      "url": "https://atlas.example.com/mcp",
      "transport": "streamable-http",
      "headers": {
        "Authorization": "Bearer ${BEEVER_MCP_KEY}"
      }
    }
  }
}

写入项目的 .vscode/mcp.json（VS Code 使用 servers 字段）。

Terminal

claude mcp add --transport http beever-atlas https://atlas.example.com/mcp --header 'Authorization: Bearer ${BEEVER_MCP_KEY}'

在终端运行；先把 <…> 占位符换成你自己的值。

生成并校验客户端配置

验证是否装好

在客户端中以 Bearer ${BEEVER_MCP_KEY} 头连接 https://atlas.example.com/mcp 后，运行 list_tools —— 应能看到已记录的全部工具（search_facts、get_channel_wiki、start_sync 等）—— 再调用 list_channels 确认授权密钥对工作区有效。

常见排障

若容器无法启动，检查 `docker compose logs -f beever-atlas` 查看后端日志。
若同步不工作，验证平台凭据是否正确，且在 UI 中正确配置。
若 MCP 连接失败，检查 BEEVER_MCP_API_KEYS 是否设置，以及 URL 和认证头是否正确。
若问答质量不佳，确认已配置有效的 GOOGLE_API_KEY 和 JINA_API_KEY，且模型可用。
若端口冲突，修改 .env 中的端口设置。

试试这样问

连接成功后，可以直接对 AI 助手这样说：

列出我 Beever Atlas 工作区中可用的频道，并显示最近同步频道的 wiki。
在知识库中搜索关于我们部署决策的事实，并引用来源消息。
使用 get_relations 查看实体图谱中哪些人与支付项目相关联。
向知识库提问：上个月我们关于 API 限流做了哪些决定？

工具能力 15

list_tools 只读

列出服务器可用的所有工具。

search_facts 只读

搜索知识库中的原子事实。

search_topics 只读

搜索主题页面。

get_topic 只读

获取指定主题的详细信息。

get_channel_wiki 只读

获取指定频道的自动生成的 Wiki 页面。

get_channel_summary 只读

获取频道概览或摘要。

get_graph 只读

获取知识图谱的实体关系视图。

get_relations 只读

查询特定实体的关系。

展开其余 7 个工具

get_qa 只读

向问答智能体提问并获得带引用的答案。

start_sync 写入

启动频道同步。

get_sync_status 只读

获取同步状态。

list_channels 只读

列出可用的频道。

list_workspaces 只读

列出已连接的工作区。

search_entities 只读

搜索实体（人物、项目等）。

get_entity 只读

获取实体的详细信息。

使用场景

自动将团队聊天记录整理成结构化的 Wiki 知识库，新成员可快速浏览。

让 AI 智能体（如 Claude Code、Cursor）直接查询团队知识，并获得带引用的答案。

用于回答跨渠道的关系型问题，如“谁曾经和 Y 一起负责 X 项目？”

在知识库中跟踪决策、项目进度和人员分工。

支持客户端

Claude

Cursor

依据项目文档列出，未经本站实测。

详细介绍

Beever Atlas 是一个开源的 LLM 知识库，它连接 Slack、Discord、Microsoft Teams 和 Mattermost 等团队聊天平台，自动提取消息中的原子事实，去重、聚类，并生成带引用的主题页面。数据同时存储在语义存储（Weaviate）和图形存储（Neo4j）中，支持对人物、决策和项目的关联查询。用户可以通过仪表盘或 MCP 协议，让 Claude Code 或 Cursor 等 AI 智能体以自然语言查询团队知识，并获得带有来源引用的答案。