Airweave：替 AI Agent 接上企業資料
Airweave 想解決的，是 AI Agent 找不到企業最新資料的問題。它會連接 Slack、Notion、Google Drive、GitHub、CRM 與資料庫等 50 多種來源，持續擷取、切分、建立 embedding 與索引，再透過 REST API、Python／TypeScript SDK 或 MCP，提供附來源連結的統一搜尋結果。搜尋分為快速的 Instant、由 LLM 規劃查詢的 Classic，以及會反覆搜尋、閱讀文件關係的 Agentic；底層則使用 FastAPI、PostgreSQL、Vespa、Temporal 與 Redis。官方說明
現實應用
最直接的用途是企業內部知識助理：同一次查詢就能找 Notion 規格、Slack 討論與 GitHub issue，不必替每個 Agent 各寫一套 ingestion pipeline。客服 Agent 可整合工單、產品文件和 CRM；工程團隊則能讓 Cursor、Claude Desktop、VS Code 等支援 MCP 的工具搜尋內部文件。它也適合 SaaS 開發者，透過 Airweave Connect 讓客戶自行授權資料來源。應用案例｜MCP 文件
期望評估
低標期望方面，我認為它至少能省掉來源驗證、同步、格式統一和向量索引的重複工程，快速做出可用的跨來源 RAG 原型。資料仍會受原始權限、同步狀態與檢索品質影響，不能把「有接上」直接當成「回答一定正確」。
高標期望方面，我猜它有機會成為公司多個 AI Agent 共用的 context infrastructure：資料只同步一次，客服、搜尋、研究與自動化流程都走同一層。Agentic Search 若能穩定控制延遲與 token 成本，處理跨文件、跨系統問題會比單次 vector search 更完整。搜尋模式說明
商業策略分析
我認為它會先影響自建 RAG pipeline、單一 SaaS connector 服務，以及企業內部資料平台團隊。MIT 開源與可 self-host 降低導入門檻，也方便有資料治理要求的公司檢查和修改；官方再以託管雲、企業部署、SSO、RBAC、SLA 與客製 connector 變現。值得跟進，但真正護城河不是 connector 數量，而是同步可靠度、權限隔離、檢索品質和大型資料量下的成本。官方網站
實作細節
最快可直接使用官方 Cloud；自行部署則執行 git clone https://github.com/airweave-ai/airweave.git、進入目錄後跑 ./start.sh，需要 Docker 與 Docker Compose，介面位於 http://localhost:8080。接著建立 Collection、加入資料來源、等待同步，再用 SDK、REST API、CLI 或 MCP 查詢。Quickstart
已知限制是 self-host 若未設定支援的 LLM provider API key，Instant Search 仍可運作，但 Classic 與 Agentic Search 會回傳 HTTP 503；後兩者也明顯較慢，其中 Agentic Search 官方標示可能接近兩分鐘。