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。
B
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。
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。
工具能力
list_tools
列出服务器可用的所有工具。
search_facts
搜索知识库中的原子事实。
search_topics
搜索主题页面。
get_topic
获取指定主题的详细信息。
get_channel_wiki
获取指定频道的自动生成的 Wiki 页面。
get_channel_summary
获取频道概览或摘要。
get_graph
获取知识图谱的实体关系视图。
get_relations
查询特定实体的关系。
get_qa
向问答智能体提问并获得带引用的答案。
start_sync
启动频道同步。
get_sync_status
获取同步状态。
list_channels
列出可用的频道。
list_workspaces
列出已连接的工作区。
search_entities
搜索实体（人物、项目等）。
get_entity
获取实体的详细信息。
安装接入
- 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。
claude_desktop_config.json
{
"mcpServers": {
"beever-atlas": {
"url": "https://atlas.example.com/mcp",
"transport": "streamable-http",
"headers": {
"Authorization": "Bearer ${BEEVER_MCP_KEY}"
}
}
}
}
选型与风险
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。
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。
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完整支持
Cursor完整支持