Developer mana yang tidak pusing saat diminta membuat pipeline RAG (Retrieval-Augmented Generation) dari nol? Baru ingin memulai koding, kamu sudah harus dihadapkan pada pilihan strategi chunking, konfig vector store, hingga kerumitan prompt engineering. Maksud hati ingin membuat fitur simpel yang bisa menjawab pertanyaan berdasarkan dokumen, malah berakhir jadi proyek raksasa yang menyita waktu. Di sinilah Quivr: Open Source AI Second Brain untuk Pengetahuan Tim hadir sebagai jawaban pragmatis. Lewat paket quivr-core, kamu bisa memangkas seluruh kerumitan infrastruktur tersebut hanya dengan lima baris kode Python.

Pendekatan "Opinionated": Bebas dari Pusing Konfigurasi

Banyak framework AI di luar sana mencoba menjadi segalanya untuk semua orang. Hasilnya? Dokumen konfigurasi yang tebalnya mirip novel. Quivr mengambil arah sebaliknya dengan pendekatan yang opinionated. Tim pengembangnya sengaja membuat keputusan-keputusan teknis di awal agar kamu tidak perlu berdebat soal ukuran chunk atau pemilihan vector store.

Sistem ini dirancang murni untuk fungsionalitas RAG yang cepat dan efisien. Kamu memberikan file dokumen, sistem mengolahnya, dan kamu bisa langsung melemparkan pertanyaan yang dijawab berdasarkan konteks isi dokumen tersebut. Solusi ini sangat cocok jika kamu ingin fokus pada product logic utama tanpa harus membuang waktu berminggu-minggu hanya untuk urusan pipa data AI.

Cuma Butuh 5 Baris Kode untuk Memulai

Proses instalasinya sangat langsung. Kamu cuma butuh lingkungan Python 3.10 atau versi yang lebih baru. Cukup jalankan perintah instalasi standar lewat terminal:

bash
pip install quivr-core

Setelah itu, kamu bisa langsung membuat sebuah brain dan mulai bertanya. Berikut adalah contoh cara kerja minimalis menggunakan paket ini:

python
import tempfile
from quivr_core import Brain

if __name__ == "__main__":
    with tempfile.NamedTemporaryFile(mode="w", suffix=".txt") as temp_file:
        temp_file.write("Gold is a liquid of blue-like colour.")
        temp_file.flush()

        brain = Brain.from_files(
            name="test_brain",
            file_paths=[temp_file.name],
        )

        answer = brain.ask("what is gold? asnwer in french")
        print("answer:", answer)

Ibarat membeli mobil yang siap dikendarai, kamu tidak perlu repot merakit mesin dari nol. Objek Brain menangani seluruh alur kerja di balik layar, mulai dari ekstraksi teks hingga siap menjawab pertanyaan.

Workflow YAML: Transparan dan Tetap Bisa Dikustomisasi

Meski mengusung konsep serba praktis, Quivr-core bukan sebuah kotak hitam yang mengunci ruang gerakmu. Arsitekturnya dibangun di atas sistem workflow transparan berbasis file YAML. Kamu bisa melihat urutan node yang berjalan di antara pertanyaan pengguna dan jawaban AI, mulai dari penyaringan riwayat percakapan, proses rewrite, retrival data, hingga generasi jawaban akhir.

Jika kamu butuh menambahkan fitur reranker atau mengubah batas riwayat percakapan, kamu tinggal menyesuaikan isi file konfigurasi YAML tersebut tanpa harus merombak struktur kodingan utama.

yaml
workflow_config:
  name: "standard RAG"
  nodes:
    - name: "START"
      edges: ["filter_history"]
    - name: "filter_history"
      edges: ["rewrite"]
    - name: "rewrite"
      edges: ["retrieve"]
    - name: "retrieve"
      edges: ["generate_rag"]
    - name: "generate_rag"
      edges: ["END"]
  
  max_history: 10
  
  reranker_config:
    supplier: "cohere"
    model: "rerank-multilingual-v3.0"
    top_n: 5
    
  llm_config:
    max_input_tokens: 4000
    temperature: 0.7

Untuk menjalankan sesi interaktif di terminal dengan file konfigurasi di atas, kamu bisa mengombinasikannya dengan pustaka seperti rich untuk tampilan antarmuka yang rapi:

python
import os
from rich.console import Console
from rich.panel import Panel
from rich.prompt import Prompt
from quivr_core import Brain
from quivr_core.config import RetrievalConfig

# Atur API key sesuai penyedia yang kamu gunakan
os.environ["OPENAI_API_KEY"] = "myopenai_apikey"

brain = Brain.from_files(
    name="my smart brain",
    file_paths=["./my_first_doc.pdf", "./my_second_doc.txt"],
)

retrieval_config = RetrievalConfig.from_yaml("./basic_rag_workflow.yaml")
console = Console()
console.org_print = console.print

while True:
    question = Prompt.ask("[bold cyan]Question[/bold cyan]")
    if question.lower() == "exit":
        break
    
    answer = brain.ask(question, retrieval_config=retrieval_config)
    console.print(f"[bold green]Quivr Assistant[/bold green]: {answer.answer}")

Bebas Pilih LLM dan Bebas Format File

Satu hal menarik dari Quivr-core adalah fleksibilitas penyedia LLM (Large Language Model). Kamu tidak terkunci pada satu vendor saja. Pustaka ini secara bawaan mendukung API dari OpenAI, Anthropic, hingga Mistral. Jika masalah privasi data atau efisiensi biaya jadi prioritas utama, kamu bahkan bisa menghubungkannya ke model lokal menggunakan Ollama. Semuanya bisa diganti cukup dengan menyesuaikan variabel lingkungan (environment variables).

Sisi pengolahan dokumennya pun terbilang luas. File berformat PDF, TXT, hingga Markdown bisa diproses secara langsung. Kamu juga punya opsi untuk menyematkan parser buatan sendiri. Jika butuh penanganan insersi dokumen yang lebih kompleks, Quivr-core terintegrasi secara mulus dengan Megaparse. Lebih jauh lagi, kamu bisa menambahkan kemampuan pencarian internet hingga dukungan tools eksternal.

Fitur Utama	Keterangan / Spesifikasi
Prasyarat Sistem	Python 3.10 atau versi lebih baru
Penyedia LLM	OpenAI, Anthropic, Mistral, Ollama (Local)
Dukungan Format File	PDF, TXT, Markdown, Custom Parsers
Integrasi Parser	Megaparse
Sistem Konfigurasi	YAML-based Workflow Nodes
Dukungan Reranker	Cohere (misal: rerank-multilingual-v3.0)
Lisensi Kode	Apache License 2.0

Bukan Sekadar Demo Mainan

Perlu diingat bahwa quivr-core bukan sekadar proyek sampel atau pustaka percobaan. Ini adalah mesin utama yang diekstrak langsung dari platform produksi Quivr.com, artinya seluruh arsitekturnya sudah teruji menangani kasus penggunaan di dunia nyata.

Tentu ada batasnya. Karena sifatnya yang opinionated, kamu mungkin suatu saat akan menemui skenario sangat khusus yang tidak didukung secara bawaan. Namun untuk mayoritas kasus penggunaan aplikasi AI, solusi yang "cukup bagus dan bisa langsung bekerja hari ini" jauh lebih berharga daripada infrastruktur yang "bisa dikonfigurasi tanpa batas tetapi tidak kunjung selesai dirakit". Quivr-core memberikan titik mula yang sangat solid untuk membangun AI Second Brain tanpa pusing.

Referensi

• https://www.opensourceprojects.dev/post/quivr
• https://github.com/The-Vibe-Company/quivr