开箱即用的 AI 第二大脑，好使吗？

（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）

需求

作为一个懒人，我一直希望知识的处理与输出能变得更加容易一些。这些年，我尝试了各种笔记工具，包括 Evernote, Notion, Obsidian, Logseq, Roam Research, Heptabase 等，就是希望能够无压记录，精准回顾，流畅输出。

在生成式 AI 真的带来这场变革之前，这些工具对于懒人还都是不够友好 —— 你得自己尝试对采集来的信息进行加工。就算不分类，也得打个标签，或者，怎么着也得手动建个双向链接吧？

其实我希望的，是随时去记录，而不必操心加工整理的事儿。当我真正想要调用之前的知识储备时，只需要一个自然语言简单查询，AI 就能遍历我的笔记库，自己根据语义找寻相关记录，然后总结输出，给我一个满意的答案。

这个事儿看起来容易，实践起来却不那么顺利。

从去年至今，我给你介绍过不少此类工具，包括但不限于 Notion/Craft AI, Quivr, Elephas, Obsidian Copilot, NotebookLM, Claude Project ……

这些工具样貌各异，但是背后都由一个共同的技术支撑，那就是 RAG。RAG 是「检索增强生成」（Retrieval-Augmented Generation）的缩写。RAG 是如何工作的呢？之前我在《GraphRAG + GPT-4o mini 低成本构建 AI 图谱知识库》一文给你介绍过，现在咱们简要回顾一下：

1. 首先，它会把大量文档切成小块，就像把一本厚书分成一页页的便利贴。

2. 当你问一个问题时，RAG 会在这些「便利贴」中快速搜索相关信息。

3. 它会根据相关程度挑选出最合适的几张「便利贴」。

4. 然后，RAG 会把这些信息拼凑在一起，形成一个完整的背景资料。

5. 最后，它会把你的问题和这份背景资料一起交给 AI。

6. 有了这些额外的信息，AI 就能给出更加准确和深入的回答了。

RAG 的主要目的是解决 AI 模型「记忆力」有限的问题。通过这种方式，AI 可以获取更多相关信息，从而给出更加准确的回答。

但是，RAG 也有一个明显的缺点，那就是它需要你提前准备一个「仓库」，把所有相关的资料都放进去。有的软件会限制你仓库的大小，以及仓库里文件的数量。如果你笔记很多，这种限制就比较让人感觉头疼了。

你好不容易上传了数十甚至上百个文件，结果发现其中部分文件经常要发生变动，你还得一次次手动更新。

有些云端笔记软件提供的 RAG 方案，可以避免文件手动上传，且搞定自动更新的问题，听起来非常理想。但是，很多小伙伴可能已经充分意识到了把笔记全都放在云端，并不是一个很好的选择。

说起本地笔记存储，同时兼具易用性，我原本最为推荐 Obsidian Copilot. 但是，很多小伙伴在设置 Copilot 的时候，都遇到了各种「组合问题」。例如选什么样的 Embedding，如何设置 OpenRouter 的 Key ，各种选项不匹配该怎么调整等等问题。显然 Copilot 这个 Obsidian 自定义插件对于小白用户来说，还不够友好与体贴。

这次，我找到了一个真正笔记本地存储、开箱即用的 RAG 方案。它自己去搞定先进大模型的调用与 RAG 方案，而你作为一名用户，只需要把内容放在一个文件夹，然后用它打开就行。