LLMs之Tool：screenpipe(OCR+RAG)的简介、安装和使用方法、案例应用

一个处女座的程序猿

已于 2024-11-24 23:07:14 修改

阅读量2.9k

点赞数 24

分类专栏： RAG_Agent NLP/LLMs CV/MLM 文章标签：大语言模型

于 2024-11-20 02:47:41 首次发布

本文链接：https://blog.csdn.net/qq_41185868/article/details/143899509

版权

NLP/LLMs 同时被 3 个专栏收录

765 篇文章

订阅专栏

CV/MLM

286 篇文章

订阅专栏

RAG_Agent

122 篇文章

订阅专栏

LLMs之Tool：screenpipe(OCR+RAG)的简介、安装和使用方法、案例应用

Screenpipe 简介

2024年7月，Screenpipe 是一个由 rewind.ai 和 cursor.com 联合开发的 AI 助理，它能够进行 24/7 的屏幕和语音录制，旨在为超级智能时代做好数据准备。其目标是让用户拥有所有上下文信息的 AI 助手。项目标语为“recording reality, one pixel at a time”。 Screenpipe 在 GitHub 上非常活跃，曾多次荣登趋势榜首，并获得了 Founders, Inc 的支持。它还拥有一个插件系统，允许用户创建和分享自定义插件（pipes）。
Screenpipe 提供了一个全面的数据采集和 AI 辅助工具，其应用范围广泛，有待于用户进一步探索和开发。项目本身积极响应社区反馈，鼓励用户贡献代码和反馈问题。
Screenpipe 通过本地运行、全方位数据捕获、强大的AI处理能力和可扩展的插件系统，为用户提供了一个高效、私密且功能强大的个人AI助手。其目标是帮助用户提高生产力，并更好地管理和利用自己的数字生活数据。

GitHub地址：GitHub - mediar-ai/screenpipe: rewind.ai x cursor.com = your AI assistant that has all the context. 24/7 screen & voice recording for the age of super intelligence. get your data ready or be left behind

官网：screenpipe

1、特点

Screenpipe是一个跨平台的开源开发工具，它在用户设备本地运行，能够捕获所有桌面活动，包括音频、屏幕和UI交互。其核心特点可以概括为以下几点：

>> 全方位记录：记录所有桌面活动，包括屏幕录制、音频录制以及用户交互。

>> 强大的搜索和聊天功能：能够对记录的全部数字生活进行毫秒级的搜索，并支持与搜索结果进行聊天互动。提供一个playground，允许用户使用演示视频中的样本数据进行搜索和聊天。

>> 转录和总结：能够完美地记录和总结所有通话和会议内容，并且可以在离线状态下工作。

自动化功能：可以将会议内容转化为行动项，并自动更新Notion、Slack和CRM等应用。

>> 数据私有性：100% 保护用户数据隐私，所有数据在本地处理，并采用军用级安全措施。

>> 可扩展性：通过名为“pipes”的插件系统，用户可以添加自定义AI插件，扩展Screenpipe的功能，实现个性化需求。

>> 多平台支持：支持跨平台使用。

2、核心原理：OCR+RAG

Screenpipe 的核心原理是基于用户设备本地运行的程序，实时捕获音频、屏幕和UI交互等数据。这些数据被存储在本地，并通过内置的AI模型进行处理，实现转录、总结、搜索和自动化等功能。其插件系统（pipes）允许用户扩展其功能，通过自定义代码来处理捕获的数据，从而实现更个性化的应用。 Screenpipe 的一个关键优势在于其数据私密性，所有处理都在本地完成，避免了数据上传到云端带来的隐私风险。

这张图描述了Screenpipe 系统的架构和工作流程，它可以被分解成四个主要阶段：

1. 输入源 (INPUT SOURCE):

屏幕 (Screen): Screenpipe 能够捕获整个屏幕、单个窗口或多个屏幕的活动，以帧为单位记录屏幕历史。
音频和麦克风 (Audio & Mic): 系统同时记录音频信息，用于后续的转录和分析。

2. 数据提取和收集 (DATA EXTRACTION, COLLECTION):

SQL 数据库和嵌入 (SQL DB Embeddings): 捕获的屏幕和音频数据会被存储到 SQL 数据库中，并生成相应的嵌入向量 (Embeddings)，用于后续的向量搜索。
带时间戳的屏幕文本 (Timestamped screen text): 从屏幕截图中提取文本信息，并记录其出现的时间戳。
用户行为历史 (History of user actions): 记录用户与屏幕交互的所有操作，例如鼠标点击、键盘输入等，并记录时间戳。
带时间戳的音频转录 (Timestamped Audio transcription): 对录制的音频进行转录，并记录时间戳。

3. 查询、分析和后处理 (QUERY, ANALYZE, POST-PROCESS):

索引和向量搜索 (Indexing Vector search): 利用嵌入向量进行高效的向量搜索，快速检索相关信息。
关键词搜索 (Search keywords): 支持基于关键词的文本搜索。
语义搜索 (Semantic search): 能够理解查询的语义，返回更准确的结果，不仅仅局限于关键词匹配。
分类、标记、标签和元数据获取 (Classify, Label, Tag, Get Metadata): 对数据进行分类、标记和添加元数据，方便后续的分析和使用。

4. 前端 (FRONT-END):

Web 应用或桌面工具栏 (Web APP or Desktop Toolbar): 用户可以通过 Web 应用或桌面工具栏与系统进行交互，进行搜索、查看总结和指标等操作。
使用 LLM 搜索历史 (Search history with LLM): 利用大型语言模型 (LLM) 对历史记录进行更智能的搜索。
创建/查看摘要和指标 (Create/View summaries, metrics): 系统能够生成摘要和各种指标，方便用户理解和分析数据。
触发基于事件的动作 (Trigger event-based actions): 可以根据特定事件触发预定义的动作，实现自动化操作。

总而言之，Screenpipe 通过整合屏幕录制、音频录制、数据库管理、向量搜索和大型语言模型等技术，构建了一个强大的数据记录、分析和检索系统，能够帮助用户记录、理解和利用其数字生活中的信息。其核心在于将不同类型的数据整合起来，并通过多种搜索方式进行检索，最终以易于理解的方式呈现给用户。