lib2027
简体中文

免费使用 · 在你自己的电脑上运行

用你自己的文件搭建知识库，为你和你的 AI 智能体服务

放入一个文档文件夹，即可同时用三种方式检索：按语义、按 15 种语言的词形变化，以及按精确的 API 名称。为你提供 Web 界面，为 Claude Code、pi、Cursor 等智能体提供 MCP 服务器。

  • 单个 Rust 程序，npx 即可运行
  • 无需 Python，无需数据库
  • NVIDIA GPU、DirectML 或 CPU
# 把文件夹放上书架
$ npx lib2027 add ./docs
# 打开 Web 界面 → http://127.0.0.1:2027
$ npx lib2027
查看基准测试npm 上的软件包

基准测试

它真的能帮模型答对吗？

模型凭记忆并不掌握最新或小众的知识，单纯塞进更多文本也解决不了问题。我们测量了“对的片段”能带来什么。

测量方法

同一模型，同样的问题

每组对比都让同一个模型回答同一组问题，唯一变化的是模型能读到的内容。

安慰剂对照组

等长的无关文本，用来检验“上下文越多越好”这一说法。

预先注册

问题、评分规则和成功阈值均在收集任何数据之前确定。

重复运行并做检验

每组各运行 3 次，显著性基于按题配对的符号检验。

答对比例

  • 不使用知识库
  • 安慰剂
  • 使用 lib2027
  • 不使用知识库 — 模型凭记忆作答
  • 安慰剂 — 等长的无关文本
  • 使用 lib2027 — lib2027 检索返回的片段

最新 Web 文档（devdocs，2026 年 9 月）

150 道题 · qwen3.8-27b
不使用知识库17.8%
安慰剂12.7%
使用 lib202785.1%

同样的问题，小模型

150 道题 · 4B
不使用知识库9.1%
安慰剂0.4%
使用 lib202783.1%

俄罗斯法律（15 部法典，pravo.gov.ru）

150 道题 · qwen3.8-27b
不使用知识库34.7%
安慰剂33.8%
使用 lib202784.4%¹

three.js r186 API 测验

90 个回答 · Claude Haiku 4.5
不使用知识库27.8%
安慰剂未测量
使用 lib202788.9%

¹ 返回完整的法条，而不是前 800 个字符（此前结果为 69.1%）。对于 2024 年以来修订过的条文，模型的正确率从 25% 提升到 81%。

以表格显示数据
任务模型不使用知识库安慰剂使用 lib2027
最新 Web 文档（devdocs，2026 年 9 月）
150 道题 · qwen3.8-27b		qwen3.8-27b17.8%12.7%85.1%
同样的问题，小模型
150 道题 · 4B		4B9.1%0.4%83.1%
俄罗斯法律（15 部法典，pravo.gov.ru）
150 道题 · qwen3.8-27b		qwen3.8-27b34.7%33.8%84.4%¹
three.js r186 API 测验
90 个回答 · Claude Haiku 4.5		Claude Haiku 4.527.8%—88.9%

测验之外：three.js 与 Claude Haiku 4.5

使用过时 API 的回答

24.4%5.6%

越少越好

“写一个游戏”任务得分（满分 100）

5275

越高越好

完成游戏所需轮次

5636

且成本略低

模型从未见过的库

2% - 5%84% - 96%

当 lib2027 为任务提供迁移说明时，4B 模型的任务通过率从 2% - 5% 提升到 84% - 96%。

结论

模型凭记忆并不掌握最新或小众的知识，单纯增加上下文也无济于事：安慰剂组从未胜过凭记忆作答。真正有用的是对的片段，而这正是 lib2027 所提供的。

速度：Rust 版与早先的 Python 版对比

在配备 RTX 5090 的 Windows 上测量，使用同一书架、同样的查询。两个版本返回的结果相同：在法律测验中，两者都为 150 道题中的 122 道找到了对应法条。

  • Python + PyTorch
  • lib2027（Rust）
越低越好
混合检索，中位数（GPU）
Python + PyTorch207 ms
lib2027（Rust）103 ms
词法检索
Python + PyTorch39 ms
lib2027（Rust）5 ms
仅用 CPU 检索
Python + PyTorch4.4 s
lib2027（Rust）1.7 s
74.3万 个片段（devdocs），每次查询
Python + PyTorch~0.4 s
lib2027（Rust）0.15 s
MCP 服务器就绪，可响应 initialize
Python + PyTorch2.6–3.8 s
lib2027（Rust）< 0.2 s
add ./docs（6 个文档，237 个片段）
Python + PyTorch36.6 s
lib2027（Rust）8.6 s
构建 15 部法典（1.6万 个片段）
Python + PyTorch169 s
lib2027（Rust）127 s
解析 7,170 个文件
Python + PyTorch136 s
lib2027（Rust）4.1 s
安装

Python + PyTorch: Python + PyTorch，约 2.5 GB

lib2027（Rust）: Node.js + 一个 7 MB 的二进制文件；运行时和模型在首次运行时下载

工作原理

三种检索，一份排序结果

每次查询都同时经过三个通道。结果经合并和重排序后，你或你的智能体拿到的是可以阅读和引用的完整段落，而不是零碎片段。

语义

基于 Qwen3-Embedding-0.6B 嵌入模型的语义检索，能找到换了说法但意思相同的段落。

词形

支持俄语、英语及另外 13 种语言的词形变化分析：搜索一个词的某种形式，也能找到它的其他变形。

精确 API 名称

函数、类和选项名称按原样精确匹配：搜某个名称，找到的就是它本身，而不是看起来相似的东西。

重排序器

bge-reranker-v2-m3 交叉编码器把每个候选结果与查询放在一起阅读，把最好的排在前面。

完整条文

保留文档结构。法律按条文切分，并返回完整条文：这让法律基准测试的成绩从 69.1% 提升到 84.4%。

支持格式：md、txt、html、pdf、docx 以及源代码（js、ts、json……）。npx lib2027 package <name> 可添加整个 npm 包：API 类型、文档、测试和示例。

面向智能体

接入 Claude Code、pi、Cursor 及其他 MCP 客户端

lib2027 可作为 MCP 服务器运行。一条命令即可接入，之后智能体会自行检索你的知识库。

Claude Code

npx lib2027 claude

自动为你执行 claude mcp add。Claude Code 将获得以下工具：

  • search_knowledge
  • read_source
  • list_libraries
  • check_code
  • explore_graph

pi

npx lib2027 pi

在 pi 中安装 MCP 适配器并接入 lib2027。npx lib2027 pi --remove 可断开连接。

Cursor、Claude Desktop 及其他客户端

将以下内容添加到 MCP 配置中：

{ "mcpServers": { "lib2027": { "command": "npx", "args": ["-y", "lib2027", "mcp"] } } }

在 Windows 上，通过 cmd 运行 npx：

{ "mcpServers": { "lib2027": { "command": "cmd", "args": ["/c", "npx", "-y", "lib2027", "mcp"] } } }

更喜欢用浏览器？npx lib2027 会在 http://127.0.0.1:2027 打开 Web 界面，同时提供 HTTP API。

命令

一个二进制文件，寥寥几条命令。

命令作用
add <folder|files…> [--name …] [--lang auto|ru|en|…] [--to slug]把文件夹变成一个库；文件则添加到指定的库。重复运行会更新有改动的文件。
list书架上的库
search "query" [-l slug] [--top-k 5]检索
remove <slug> / restore <slug>从检索中隐藏 / 恢复（文件仍保留在磁盘上）
package <npm-package>[@version]整个 npm 包：API 类型、文档、测试和示例
ui [--port 2027] [--no-open]Web 界面和 HTTP API（与不带命令运行相同）
mcp基于 stdio 的 MCP 服务器（由智能体启动）
claude [--scope user|project]自动为你执行 claude mcp add；未安装 Claude Code 时，输出供其他客户端使用的配置
pi [--project] [--remove]在 pi 中安装 MCP 适配器并接入 lib2027（或断开连接）
ask "question"给出带有已核验引用的回答（需要模型密钥：LIB2027_ANSWER_*）
setup [--device cuda|directml|cpu]提前安装运行时和模型
doctor显示已安装的内容及所用的计算设备

在你工作的地方运行

平台

平台CUDADirectMLCPU
Windows x64✓✓✓
Windows arm64——✓
Linux x64glibc 2.35+✓—✓
Linux arm64glibc 2.35+——✓
macOS Apple Silicon——✓

加速

x64 Windows 和 Linux 上支持 NVIDIA CUDA，x64 Windows 上支持 DirectML。其他情况均在 CPU 上运行。

运行要求

只需 Node.js 18+。首次运行时会把其余组件一次性下载到 ~/.lib2027，约需 2 分钟：适配你硬件的 ONNX 运行时，以及两个模型 Qwen3-Embedding-0.6B 和 bge-reranker-v2-m3。

你的文档始终留在你的设备上

天生本地

你的文档和书架都保存在你的设备上。检索在二进制程序内完成，使用你自己的 GPU 或 CPU。

除非你要求，否则不发送任何内容

只有当你为回答服务配置了外部模型（LIB2027_ANSWER_*）时，文本才会发送给第三方。

默认仅限本机访问

未设置 LIB2027_API_KEY 时，Web 界面和 HTTP API 无需密钥，且只能从 localhost 访问。

就是一个普通文件夹

每个库由 library.sqlite、vectors.f16 和 knowledge.json 组成。复制书架即可随身携带。

许可

可免费使用，包括商业用途，设备数量不限。闭源。你可以再分发未经修改的软件包。模型和 ONNX Runtime 从各自发布方下载，遵循其各自的许可证。

在 npm 上查看许可证

用你自己的文档试一试

两条命令，只需 Node.js 18+。

# 把文件夹放上书架
$ npx lib2027 add ./docs
# 打开 Web 界面 → http://127.0.0.1:2027
$ npx lib2027
npm 上的软件包