AI 知识库开源项目全景图

作者：AI 技术调研报告
日期：2025 年 6 月
说明：本文覆盖个人知识管理、团队知识库、RAG 框架、向量数据库及 AI 记忆层等核心领域的主流开源项目，数据截止 2025 年中期。

2026年新增项目（真实数据）

2026年4月爆发项目（基于 GitHub API 真实数据）

项目	Stars	创建时间	核心功能
AnythingLLM	61,271⭐	2023	全栈本地AI知识库平台，No-code Agent Builder
mem0	58,098⭐	2023	AI Agent通用记忆层，混合检索，LoCoMo基准+20pt
Quivr	39,155⭐	2023	5行代码RAG知识库，pip install quivr-core
Khoj	35,016⭐	2021	Obsidian/浏览器/手机多端AI第二大脑
Reor	8,566⭐	2024	完全本地桌面AI笔记，LanceDB+Transformers.js
claude-obsidian	6,397⭐	2026-04	15个Claude Code Skills，AI自组织Vault
llm-wiki-compiler	1,486⭐	2026-04	Karpathy模式npm工具，MCP Server，评估框架
karpathy-llm-wiki	1,027⭐	2026-04	Karpathy模式Skill封装，一行安装
swarmvault	531⭐	2026-04	本地优先LLM Wiki，支持Zero-RAG
MeMex-Zero-RAG	-	2026-04	无嵌入无向量库，纯Markdown+Git

最重要趋势（2026年4月）：Andrej Karpathy 发布”compile knowledge into a wiki”模式，引发数十个开源项目爆发。核心理念：把 RAG 的”查询时检索”改为”提前编译”，降低 token 消耗，提升知识质量。

1. 领域全景

1.1 为什么 AI 知识库在 2025 年爆发？

2023 年 ChatGPT 掀起 LLM 浪潮后，一个核心矛盾随即浮现：通用大模型不认识”你”——它不知道你的笔记、你的代码仓库、你的工作文档，也无法跨会话记住你说过什么。“AI 知识库”正是填补这道鸿沟的技术方向，其本质是将个人/团队的非结构化知识与 LLM 打通，使模型能够检索、推理、记忆用户私有数据。

技术驱动力来自三个方向的成熟：

RAG（Retrieval-Augmented Generation）：向量化检索 + LLM 生成，解决模型”不知道”的问题
向量数据库：Chroma、Qdrant、FAISS 等工具使语义搜索变得廉价
本地 LLM：Ollama、llama.cpp 让数据留在本地成为可能，消除隐私顾虑

1.2 市场分类

AI 知识库生态
├── 全栈方案（开箱即用）
│   ├── Khoj            ← 最接近"AI 第二大脑"理念
│   ├── AnythingLLM     ← 企业/团队定位，UI 最完整
│   ├── Quivr           ← 早期明星，2024 年转型
│   └── Reor            ← 完全本地，Obsidian 替代品
├── Obsidian 生态插件
│   ├── Smart Connections  ← Obsidian 内最受欢迎 AI 插件
│   ├── Obsidian Copilot
│   ├── Text Generator
│   └── Obsidian Local REST API（外部集成桥梁）
├── 自动化框架（知识摄取管道）
│   ├── n8n             ← 可视化工作流，工程师首选
│   └── Fabric          ← CLI 驱动，AI 处理 pattern
├── RAG 框架（编程构建）
│   ├── LlamaIndex      ← RAG 专项，生态最全
│   ├── LangChain       ← 通用 LLM 编排，更广泛
│   └── Haystack        ← 企业级 NLP/RAG
└── 基础设施层
    ├── 向量数据库：Chroma / Qdrant / Weaviate / FAISS / LanceDB
    └── AI 记忆层：Mem0 / Zep

1.3 选型矩阵

维度 \ 方案	全栈方案	Obsidian 插件	自动化框架	RAG 框架
本地部署	Khoj/Reor ✅	Smart Connections ✅	n8n ✅	LlamaIndex ✅
云端服务	Khoj Cloud/Quivr ✅	-	n8n Cloud ✅	托管服务 ✅
个人用户	★★★★★	★★★★★	★★★	★★
工程团队	AnythingLLM ★★★★	-	n8n ★★★★★	LlamaIndex ★★★★★
技术门槛	低（GUI）	极低（插件）	中（拖拽）	高（编码）
定制灵活度	中	低	高	极高

2. 全栈 AI 知识库方案

2.1 Khoj — 开源 AI 第二大脑

GitHub: khoj-ai/khoj
Star 数: 约 28,000+（2025 年中，增速极快）
最新稳定版: v1.x 系列，2024 年完成重大架构重构
官网: khoj.dev
技术栈: Python（FastAPI）+ Vue.js + PostgreSQL + SQLite

核心定位

Khoj 的使命是成为”为每个人服务的 AI”，侧重个人知识管理场景。它可以索引你的笔记（Markdown、Obsidian Vault、Org-mode）、PDF、代码，然后通过对话接口与你的私有知识交互。

核心功能

多数据源索引：本地文件（.md, .org, .txt, .pdf）、网页、GitHub 仓库、Notion（需 API key）
Obsidian 原生集成：提供官方 Obsidian 插件，可直接在 Obsidian 内调用 AI 对话
跨平台客户端：Web UI、桌面应用（Electron）、移动端（Android/iOS）
多 LLM 支持：OpenAI、Anthropic Claude、Google Gemini、本地 Ollama
在线/离线两用：khoj.dev 托管服务 + 完全自托管部署
Agent 功能：可创建专用 AI Agent，执行联网搜索、生成图片（DALL-E）
对话记忆：维护跨会话的对话上下文

与 Obsidian 集成

Khoj 是 Obsidian 集成最深的全栈方案：

官方 Obsidian 插件（Obsidian Community Plugins 可安装）
实时索引 Vault 中的笔记
在 Obsidian 侧边栏直接对话，支持引用具体笔记
支持将对话结果写回 Obsidian 笔记

优点

开源完全可自托管，数据可控
Obsidian 集成体验最好
支持的数据格式最广（.org 是 Khoj 独有优势）
云端版本可快速试用，降低上手成本
活跃社区，版本迭代快

缺点

自托管需要 Docker + PostgreSQL，运维成本不低
团队多用户支持较弱（主要面向个人）
向量搜索质量在大规模语料下与专业 RAG 框架有差距
企业级权限控制功能缺失

适合场景

个人知识工作者，已有大量 Markdown/Obsidian 笔记
希望将 AI 接入 Org-mode 笔记的 Emacs 用户
需要跨设备访问个人知识库（云端版+移动端）

2.2 AnythingLLM — 多合一本地 LLM 知识库

GitHub: Mintplex-Labs/anything-llm
Star 数: 约 38,000+（2025 年中，增速最快之一）
最新稳定版: v1.x（2024 年下半年达到功能稳定）
技术栈: Node.js（Express）+ React + SQLite/PostgreSQL + LanceDB/Chroma/Qdrant

核心定位

AnythingLLM 定位”企业/团队级多合一 LLM 应用”，提供完整的 Web UI、多工作区（Workspace）隔离、多用户权限管理，是目前功能最全面的全栈开源知识库方案。

核心功能

工作区隔离：多 Workspace 支持，不同项目/团队可隔离知识库
多 LLM Provider：支持 OpenAI、Azure OpenAI、Claude、Gemini、Ollama、LM Studio、Together.ai 等 20+ 供应商
多向量数据库：内置 LanceDB（零配置），可切换至 Chroma、Qdrant、Weaviate、Pinecone
文档处理管道：PDF、DOCX、Excel、CSV、HTML、YouTube 视频转录、网页爬取
多用户权限：Admin/Manager/默认用户三级权限体系
Agent 系统：内置代码解释器、联网搜索、文件操作等 Agent 能力
API 接口：完整 REST API，支持嵌入式聊天组件
桌面应用：提供 Electron 打包的桌面版，真正零配置运行

与 Obsidian 集成

AnythingLLM 不提供 Obsidian 原生插件，但可通过以下方式集成：

将 Obsidian Vault 目录挂载到 AnythingLLM，批量导入 .md 文件
通过 AnythingLLM API + Obsidian Local REST API 实现双向联动（需自行脚本）

优点

UI 最完善，非技术用户可直接上手
桌面版真正一键安装，无需 Docker
团队协作功能完整（多用户、权限、工作区）
向量数据库可随时切换，不锁定
内置嵌入式聊天 Widget，可快速嵌入现有网站

缺点

Node.js 技术栈，Python 生态集成相对麻烦
个人使用略显”笨重”，功能过多
Obsidian 集成不如 Khoj 原生
代码库较大，定制化开发学习曲线陡

适合场景

中小团队快速搭建内部知识库
需要多用户权限管理的场景
希望一键部署、不想写代码的工程团队

2.3 Quivr — 从第二大脑到企业 AI 平台的转型

GitHub: QuivrHQ/quivr
Star 数: 约 37,000+（2025 年中）
技术栈: Python（FastAPI）+ Next.js + Supabase（PostgreSQL + pgvector）

核心定位

Quivr 在 2023 年以”Cloud Brain”概念爆红，是最早一批 RAG 知识库项目之一。2024 年经历了重大重构，从个人第二大脑转型为企业 AI 知识管理平台，新版本引入了 Brain 2.0（对话流程编排）和 Workflow 功能。

核心功能（新版 v0.0.x 系列）

Brain 系统：每个 Brain 是独立的知识库单元，可单独配置 LLM、向量化模型
Workflow：可视化构建 AI 处理流程，类似轻量 n8n
多格式文档处理：PDF、DOCX、Notion、URLs、YouTube
Supabase 深度集成：使用 pgvector 作为向量存储，不依赖外部向量数据库
API 优先：提供完整 REST API，适合集成到现有系统

与 Obsidian 集成

通过 Quivr API 可以将 Obsidian 导出的 Markdown 文件批量上传，但无官方 Obsidian 插件支持。

优缺点

优点：

Supabase 集成使部署相对简单（有 Supabase 托管方案）
企业功能完善，商业支持（Quivr 公司提供云服务）
pgvector 方案消除独立向量数据库的运维成本

缺点：

2024 年重构导致文档混乱，新旧版本 API 不兼容
个人场景功能过于复杂
社区活跃度随商业化转型有所下降
自托管需要完整的 Supabase 栈，部署复杂

适合场景

已使用 Supabase 的团队
需要商业支持和 SLA 的企业
构建面向最终用户的 AI 产品（B2B 场景）

2.4 Reor — 完全本地的 AI 笔记应用

GitHub: reorproject/reor
Star 数: 约 9,000+（2025 年中）
最新版: v0.2.x 系列
技术栈: TypeScript + Electron + React + Transformers.js（本地嵌入）+ SQLite

核心定位

Reor 是 Obsidian 的竞争产品而非插件，定位”私密 AI 笔记应用”。它将 AI 能力完全内置到桌面应用中，所有计算（包括向量嵌入）均在本地完成，无需任何云服务。

核心功能

本地语义搜索：使用 Transformers.js 在本地运行嵌入模型（完全离线）
自动关联笔记：类似 Smart Connections，自动发现相关笔记
本地 LLM 对话：集成 Ollama，在笔记界面直接与本地 LLM 对话
类 Obsidian UI：左侧文件树 + 中央编辑器 + 右侧 AI 面板
无服务器依赖：完全 Electron 应用，数据存储在本地文件系统

优缺点

优点：

最高数据隐私，全程离线（嵌入 + LLM 均本地）
安装即用，无配置
对极度重视隐私的用户是不二选择

缺点：

功能相对简单，Markdown 编辑能力不如 Obsidian
社区和插件生态极小
无移动端，无多设备同步
本地嵌入模型（Transformers.js）质量不如 OpenAI text-embedding-3

适合场景

对数据隐私要求极高的研究人员、律师、医疗从业者
网络环境受限（无法访问云 API）的场景
想用最简单方式体验本地 AI 笔记的用户

3. Obsidian 生态 AI 插件

Obsidian 作为知识库管理的主流工具（2024 年用户超 200 万），已形成完善的 AI 插件生态。以下是核心插件详解。

3.1 Smart Connections — 最受欢迎的 AI 语义插件

GitHub: brianpetro/obsidian-smart-connections
Star 数: 约 4,500+
Obsidian 下载量: 200,000+（Community Plugins 下载量最高的 AI 类插件）

核心功能

语义相似笔记：在右侧面板自动显示与当前笔记语义相关的笔记列表
Smart Chat：内置对话界面，上下文包含整个 Vault 的知识
多嵌入模型：支持 OpenAI、本地 Transformers.js（完全离线）
增量索引：仅对修改的文件重新嵌入，效率高
Source 标注：回答时明确标注来源笔记

使用体验

Smart Connections 是最轻量的 AI 知识库接入方式——无需部署任何服务，安装插件、配置 API Key 即可使用。对于已有 Obsidian 的用户，这是进入 AI 知识库的最低门槛路径。

3.2 Obsidian Copilot

GitHub: logancyang/obsidian-copilot
Star 数: 约 5,000+

核心功能

多 LLM 支持：OpenAI、Azure、Claude、Gemini、Ollama 等
Vault QA 模式：对整个 Vault 进行向量化并回答问题
Chat 模式：带上下文的对话
自定义 Prompt：内置多种对话模板

与 Smart Connections 相比，Copilot 更像一个对话界面，而 Smart Connections 更注重自动关联发现。

3.3 Obsidian Local REST API — 外部集成的关键桥梁

GitHub: coddingtonbear/obsidian-local-rest-api
Star 数: 约 2,000+

这个插件本身不提供 AI 功能，但它是将外部系统与 Obsidian 打通的关键：

暴露 REST API，允许外部程序读取/写入/搜索 Obsidian 笔记
Khoj、n8n、自定义脚本均通过此 API 与 Obsidian 交互
支持 HTTPS（自签名证书），支持 Token 认证

典型用途：n8n 工作流从 Obsidian 拉取笔记 → 送入 LLM 处理 → 结果写回 Obsidian。

3.4 Text Generator

GitHub: nhaouari/obsidian-textgenerator-plugin
Star 数: 约 2,000+

侧重内容生成而非知识检索：

光标位置触发 AI 续写、扩写、摘要
自定义 Prompt 模板
支持 Handlebars 模板语法，高度可配置

3.5 Obsidian AI 插件对比表

插件	核心能力	需要 API Key	支持本地 LLM	学习曲线	最适合场景
Smart Connections	语义相似笔记 + Chat	OpenAI / 本地可选	✅ Transformers.js	极低	笔记关联发现
Obsidian Copilot	多 LLM 对话 + Vault QA	必须	✅ Ollama	低	问答 + 写作辅助
Text Generator	AI 写作生成	必须	✅	中	内容创作
Local REST API	外部集成桥梁	无需	-	低（配置）	系统集成

4. 自动化框架

4.1 n8n — 工程师首选的可视化工作流引擎

GitHub: n8n-io/n8n
Star 数: 约 55,000+（2025 年中，增速极快）
技术栈: TypeScript + Vue.js + SQLite/PostgreSQL
最新版: v1.x 系列，2024 年推出 AI Agent 节点

n8n 在知识库场景的价值

n8n 不是知识库工具，但它是构建知识摄取自动化管道的利器：

典型知识摄取流水线示例：
[触发器: 新 PDF 上传到 Google Drive]
       ↓
[n8n: 下载文件 → 文本提取]
       ↓
[n8n: 调用 OpenAI Embeddings API]
       ↓
[n8n: 写入 Qdrant 向量库]
       ↓
[n8n: 通过 Obsidian Local REST API 写入笔记]
       ↓
[n8n: 发送 Slack 通知]

AI Agent 节点（2024 年新增）

n8n v1.x 引入了专门的 AI 节点：

AI Agent 节点：可配置工具（HTTP 请求、代码执行、向量搜索）的自主 Agent
向量存储节点：内置 Pinecone、Qdrant、Supabase Vector 连接器
LLM Chain 节点：支持 OpenAI、Anthropic、Azure 等
Document Loader 节点：PDF、DOCX、HTML 等格式解析

为什么工程师选 n8n 而非 Zapier/Make

对比项	n8n	Zapier	Make
自托管	✅ 完全支持	❌ 仅云端	有限
代码节点	✅ JS/Python	有限	有限
AI 专用节点	✅ 完整生态	基础	基础
数据隐私	✅ 本地处理	❌ 云端处理	部分
定价	开源免费	按任务收费	按操作收费
向量数据库集成	✅ 原生	❌ 无	❌ 无

4.2 Fabric — AI 处理 Pattern 框架

GitHub: danielmiessler/fabric
Star 数: 约 29,000+（2025 年中）
技术栈: Go（主程序）+ Markdown（Pattern 定义）
作者: Daniel Miessler（安全研究员）

核心理念

Fabric 的理念是将 AI 处理任务拆解为可复用的”Pattern”（本质是精心设计的 System Prompt + 工作流）。与图形化工具不同，Fabric 是命令行驱动的，适合习惯终端的工程师。

Pattern 示例（与知识库相关）

# 从 YouTube 视频提取关键见解
fabric --youtube https://youtu.be/xxx --pattern extract_wisdom
 
# 总结长文档
cat research_paper.pdf | fabric --pattern summarize
 
# 提取文章中的行动项
cat article.md | fabric --pattern extract_action_items
 
# 生成 Obsidian 友好的笔记格式
cat transcript.txt | fabric --pattern create_markmap | pbcopy

内置知识库相关 Pattern

extract_wisdom：从内容中提取见解、引用、习惯
summarize：多层次摘要
create_markmap：生成思维导图
explain_code：代码解释
write_essay：基于输入生成文章
analyze_paper：学术论文分析

与知识库集成

Fabric 最适合作为知识摄取的预处理层：

处理完的内容通过管道输出为 Markdown
直接写入 Obsidian Vault 目录
配合 n8n 作为文档处理节点

5. RAG 框架层

RAG（Retrieval-Augmented Generation）框架是构建定制知识库系统的编程工具。以下对比三个主流框架。

5.1 LlamaIndex — RAG 专项框架

GitHub: run-llama/llama_index
Star 数: 约 40,000+（2025 年中）
技术栈: Python
最新版: v0.10.x 系列，2024 年完成核心 API 重构

核心优势

RAG 原语最丰富：提供 Nodes、Indexes、Retrievers、QueryEngines、Response Synthesizers 等精细化抽象
多索引类型：向量索引、关键词索引、知识图谱索引、摘要索引
高级 RAG 技术：HyDE、BM25 混合检索、句子窗口检索、自查询检索
多文档处理器：100+ 文档加载器（PDF、DOCX、Notion、Confluence、Slack 等）
Agent 框架：ReAct Agent、OpenAI Function Agent

代码示例（构建简单 RAG）

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.vector_stores.qdrant import QdrantVectorStore
import qdrant_client
 
# 加载文档
documents = SimpleDirectoryReader("./obsidian_vault").load_data()
 
# 构建索引（使用 Qdrant 存储）
client = qdrant_client.QdrantClient(":memory:")
vector_store = QdrantVectorStore(client=client, collection_name="notes")
index = VectorStoreIndex.from_documents(documents, vector_store=vector_store)
 
# 查询
query_engine = index.as_query_engine()
response = query_engine.query("什么是 Zettlekasten 方法？")

5.2 LangChain — 通用 LLM 编排框架

GitHub: langchain-ai/langchain
Star 数: 约 97,000+（最多 Star 的 LLM 框架）
技术栈: Python / TypeScript

与 LlamaIndex 的核心区别

LangChain 的定位更广，是通用 LLM 应用编排框架，RAG 只是其中一个场景。

对比项	LlamaIndex	LangChain
专注领域	RAG / 知识检索	通用 LLM 应用
RAG 能力	★★★★★（更丰富的索引类型）	★★★★
Agent 能力	★★★★	★★★★★
学习曲线	中等	较陡
文档质量	★★★★★	★★★
社区活跃度	极高	极高
适合场景	知识库/文档问答	复杂 Agent/工作流

选型建议：构建知识库类应用优先用 LlamaIndex；构建复杂 Agent 或需要大量 Tool Calling 的应用考虑 LangChain。

5.3 Haystack — 企业级 NLP/RAG 框架

GitHub: deepset-ai/haystack
Star 数: 约 18,000+
技术栈: Python
公司背景: deepset.ai（德国 AI 公司）

核心特点

Pipeline 架构：基于 DAG（有向无环图）的处理管道，每个组件高度解耦
企业级功能：完整的评估框架（Retrieval/Generation 评估指标）
Haystack 2.0：2024 年重构版本，API 更清晰
深度定制：每个组件均可替换，适合复杂定制需求

适合场景：需要严格评估和优化 RAG 质量的企业，或需要构建非标准流程（如多跳问答、对话式搜索）的场景。

5.4 RAG 框架选型对比

框架	Star	专注	上手难度	RAG 能力	Agent	推荐指数
LlamaIndex	40k+	RAG	★★★	★★★★★	★★★★	知识库首选
LangChain	97k+	通用	★★	★★★★	★★★★★	复杂场景
Haystack	18k+	企业 NLP	★★	★★★★	★★★	企业评估

6. 向量数据库选型

向量数据库是 RAG 系统的存储核心。以下对主流选项进行完整对比。

6.1 完整对比表

数据库	Stars	语言	本地部署	性能	Python API	托管云服务	许可证
Chroma	16k+	Python	✅ 极简	中等（小规模）	★★★★★	有限	Apache 2.0
Qdrant	22k+	Rust	✅ Docker 一键	★★★★★	★★★★★	✅ cloud.qdrant.io	Apache 2.0
Weaviate	12k+	Go	✅ Docker	★★★★	★★★★	✅ weaviate.io	BSD-3
FAISS	32k+	C++	✅ pip install	★★★★★（批量）	★★★	❌ 无托管	MIT
LanceDB	6k+	Rust	✅ pip install	★★★★★（多模态）	★★★★	✅ LanceDB Cloud	Apache 2.0
Milvus	32k+	Go/C++	✅ Docker	★★★★★	★★★★	✅ Zilliz Cloud	Apache 2.0
pgvector	14k+	C（PG扩展）	✅ PostgreSQL扩展	★★★（已有PG场景）	★★★★	✅ Supabase等	PostgreSQL License

6.2 详细说明

Chroma — 最适合快速原型

import chromadb
client = chromadb.Client()  # 内存模式，零配置
# 或持久化：chromadb.PersistentClient(path="./db")
collection = client.create_collection("my_notes")
collection.add(documents=["笔记内容..."], ids=["note1"])

最大优点：Python 原生，pip install chromadb 即可，API 最简洁
主要缺点：大规模（>100万向量）性能不足；持久化不够稳定
推荐用途：快速原型、个人项目、学习 RAG 概念

Qdrant — 综合能力最强

Qdrant 是当前综合评分最高的向量数据库：

Rust 实现，性能极高（毫秒级延迟，百万级向量）
丰富的过滤功能（元数据过滤 + 向量搜索组合）
支持 Sparse Vectors（BM25）和 Dense Vectors 混合搜索
官方 Docker 镜像极为简洁：docker run -p 6333:6333 qdrant/qdrant

推荐用途：生产环境知识库、需要精确过滤的场景

FAISS — 性能最极致的本地库

Facebook AI Research 出品，不是数据库而是纯索引库：

超高性能批量检索（亿级向量）
无持久化服务，纯 Python/C++ 库
无 HTTP API，只能在同一进程使用

推荐用途：离线批量处理、性能要求极高且无需持久化服务的场景

LanceDB — 新秀，多模态友好

2023 年出现的新项目，技术架构有别于传统向量数据库：

基于 Lance 列存格式，天然支持多模态（图片、音频、文本向量混合）
无服务器模式（文件即数据库），适合边缘部署
AnythingLLM 默认使用 LanceDB

推荐用途：多模态知识库、嵌入式/边缘部署场景

pgvector — 已有 PostgreSQL 时的自然选择

如果系统已经使用 PostgreSQL，pgvector 是最自然的添加向量能力的方式：

无需额外服务，向量搜索与关系查询在同一数据库
Supabase 默认集成，Quivr 的存储方案
向量搜索性能不如专用数据库，但对中小规模（<100万向量）足够用

7. AI 记忆层

RAG 解决”模型不认识文档”的问题，但还有另一个问题：模型不记得之前的对话。AI 记忆层专门解决跨会话、跨对话的记忆持久化。

7.1 Mem0 — 专为 AI 设计的记忆层

GitHub: mem0ai/mem0（原名 EmbedChain）
Star 数: 约 26,000+（2025 年中，增速极快）
技术栈: Python
存储支持: Qdrant / Chroma / PostgreSQL（pgvector）/ Redis

核心概念

Mem0 将记忆分为三层：

User Memory：用户偏好、背景信息（“用户更喜欢 Python 而非 JavaScript”）
Session Memory：当前会话上下文
Agent Memory：Agent 执行过程中积累的知识

from mem0 import Memory
 
m = Memory()
 
# 添加记忆
m.add("用户偏好使用 vim 编辑器，不喜欢 IDE", user_id="alice")
m.add("用户正在做的项目是 Android 性能分析工具", user_id="alice")
 
# 检索相关记忆
memories = m.search("编辑器推荐", user_id="alice")
# 返回：vim 相关的记忆

与 RAG 的关系

RAG 和 Mem0 互补而非竞争：

RAG：让模型访问外部知识文档（“我的文档里有什么”）
Mem0：让模型记住关于用户/对话的动态信息（“我了解用户什么”）

完整 AI 知识库 = 静态文档 RAG + 动态用户记忆 Mem0

7.2 Zep — 对话记忆专项方案

GitHub: getzep/zep
Star 数: 约 3,500+
技术栈: Go（服务端）+ PostgreSQL

核心功能

自动摘要：长对话自动滚动摘要，防止上下文溢出
对话向量化：对话历史自动向量化，支持语义搜索
实体提取：从对话中提取命名实体（人名、地点、概念）
Session 管理：多用户多会话管理

Zep vs Mem0

对比项	Mem0	Zep
专注方向	用户/Agent 长期记忆	对话历史管理
存储灵活性	多向量库可选	主要 PostgreSQL
使用场景	个性化 AI 助手	对话式 AI 应用
部署难度	极低（pip）	中等（独立服务）

8. 推荐技术栈组合

8.1 个人工程师（简单上手）

推荐方案：Khoj + Obsidian

Obsidian（笔记管理）
    ↓ 官方插件同步
Khoj（AI 知识库引擎）
    ├── Ollama（本地 LLM，Llama3/Mistral）
    └── SQLite（轻量存储）

理由：

Khoj 对 Obsidian 集成支持最好，有官方插件
一个 Docker Compose 文件即可启动（khoj-ai/khoj 仓库有现成配置）
支持离线（Ollama）和在线（OpenAI）两种模式灵活切换
笔记在 Obsidian 编辑，AI 能力由 Khoj 提供，职责分离清晰

安装成本：约 30 分钟，Docker + Obsidian 插件安装

8.2 工程团队（生产级）

推荐方案：AnythingLLM + Qdrant + n8n

数据摄取层：n8n
    ├── 触发器：文件上传/Slack/Email
    ├── 文档解析：PDF/DOCX/Notion
    └── 向量化：OpenAI Embeddings API
         ↓
存储层：Qdrant（Docker）
         ↓
应用层：AnythingLLM
    ├── 多用户权限管理
    ├── 工作区隔离（按团队/项目）
    └── REST API（供其他系统调用）

理由：

AnythingLLM 提供完整 Web UI，非技术团队成员可直接使用
n8n 负责自动化知识摄取（无需手动上传文档）
Qdrant 在生产环境中性能稳定，Rust 实现低内存占用
三个组件均可 Docker 部署，运维成本可接受

部署成本：约 2-4 小时，需要基本的 Docker Compose 知识

8.3 完全本地（数据隐私优先）

推荐方案：Reor / Khoj（自托管）+ Ollama + ChromaDB

笔记/文档
    ↓
Reor（桌面应用，完全离线）
    ├── Transformers.js（本地嵌入，无需 API）
    └── Ollama（本地 LLM：Llama3、Mistral、Phi-3）

或（需要更好质量 + 更多数据格式）：

Khoj（自托管）
    ├── Ollama（本地 LLM）
    ├── fastembed（本地嵌入）
    └── SQLite（本地存储）

理由：

Reor 是最简单的全本地方案，安装即用，无任何网络请求
如果笔记量大或需要更多格式支持，Khoj 自托管 + 本地模型是更好选择
Ollama 让本地 LLM 部署极其简便（一条命令）
不向任何云服务发送数据

注意事项：本地 LLM（7B/13B 参数）在回答质量上仍弱于 GPT-4/Claude；嵌入质量也略低于 OpenAI text-embedding-3，这是隐私与质量之间的权衡。

8.4 技术构建（开发者定制）

推荐方案：LlamaIndex + Qdrant + Mem0 + FastAPI

# 架构示意
from llama_index.core import VectorStoreIndex
from llama_index.vector_stores.qdrant import QdrantVectorStore
from mem0 import Memory
 
# RAG：文档检索
index = VectorStoreIndex.from_documents(docs, vector_store=qdrant_store)
query_engine = index.as_query_engine()
 
# 记忆：用户偏好
memory = Memory(config={"vector_store": {"provider": "qdrant"}})
 
# 查询时组合两者
def query_with_memory(question: str, user_id: str):
    user_memories = memory.search(question, user_id=user_id)
    context = f"用户背景：{user_memories}\n\n"
    return query_engine.query(context + question)

理由：

LlamaIndex 提供最丰富的 RAG 原语（多索引类型、高级检索策略）
Qdrant 提供生产级向量存储（同时用于 RAG 索引和 Mem0）
Mem0 添加跨会话用户记忆，让 AI 更”了解”用户
FastAPI 暴露 API，可集成到任意前端

适合：需要高度定制的团队，或构建面向最终用户的 AI 产品

9. 快速上手路径

9.1 30 分钟搭建最小可用版本

选择 AnythingLLM 桌面版（对非 Docker 用户最友好）

前置条件：

macOS / Windows / Linux 桌面环境
OpenAI API Key（或本地 Ollama）

步骤：

# Step 1: 下载 AnythingLLM 桌面版（约 5 分钟）
# 访问 https://anythingllm.com/download 下载对应平台安装包
# 安装后直接启动
 
# Step 2: 配置 LLM（约 2 分钟）
# 设置 → LLM 偏好 → 选择 OpenAI → 填入 API Key
# （或选择 Ollama，需提前安装 ollama + pull 模型）
 
# Step 3: 创建工作区（约 1 分钟）
# 首页 → 新建工作区 → 命名为"我的知识库"
 
# Step 4: 上传文档（约 5 分钟）
# 拖入 PDF/Markdown 文件 → 等待向量化完成
 
# Step 5: 开始对话（即时）
# 在聊天框提问，AI 会基于你的文档回答

总耗时：~15 分钟，含文档上传

9.2 进阶：基于 Khoj 搭建 Obsidian 集成

# Step 1: 安装 Docker（假设已安装）
 
# Step 2: 启动 Khoj
docker run -it -p 42110:42110 \
  -v ~/.khoj:/root/.khoj \
  ghcr.io/khoj-ai/khoj:latest
 
# Step 3: 安装 Obsidian 插件
# Obsidian → 设置 → 第三方插件 → 搜索 "Khoj" → 安装 → 启用
# 配置插件 → 填入 http://localhost:42110 → 填入 API Key
 
# Step 4: 初次同步
# Khoj → 设置 → 内容类型 → 本地文件 → 添加 Obsidian Vault 路径
# 点击"立即同步"
 
# Step 5: 开始使用
# Obsidian 侧边栏 → Khoj 图标 → 提问

9.3 进阶：n8n + Qdrant 自动化管道

# docker-compose.yml
version: '3.8'
services:
  qdrant:
    image: qdrant/qdrant:latest
    ports:
      - "6333:6333"
    volumes:
      - ./qdrant_storage:/qdrant/storage
 
  n8n:
    image: n8nio/n8n:latest
    ports:
      - "5678:5678"
    environment:
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=admin
      - N8N_BASIC_AUTH_PASSWORD=password
    volumes:
      - ./n8n_data:/home/node/.n8n

docker-compose up -d
# 访问 http://localhost:5678 配置工作流

10. 总结与选型建议

按使用场景快速选型

你的需求	推荐方案	入门难度
已有 Obsidian，想加 AI	Smart Connections 插件	极低
想要完整 AI 第二大脑	Khoj（自托管）	低
团队共享知识库	AnythingLLM	低
完全本地，数据不出设备	Reor / Khoj + Ollama	低
自动化知识摄取流程	n8n	中
构建定制 RAG 应用	LlamaIndex + Qdrant	高
CLI 驱动的 AI 内容处理	Fabric	中
需要 AI 跨会话记忆	Mem0	中

生态成熟度评估

★★★★★ 生产就绪   AnythingLLM、n8n、LlamaIndex、LangChain、Qdrant
★★★★  稳定可用   Khoj、Quivr、Chroma、FAISS、Smart Connections
★★★   快速迭代   Mem0、Fabric、LanceDB、Reor
★★    早期探索   Zep、pgvector（作为向量库）

2025 年趋势观察

Agent 化：工具从”问答”进化到”自主执行任务”，AnythingLLM 的 Agent 节点、n8n 的 AI Agent 节点都是信号
本地化加速：Ollama 极大降低本地 LLM 门槛，Reor、Khoj 的本地模式越来越完善
多模态延伸：LanceDB 的多模态支持、知识库从纯文本扩展到图片/音频
记忆层崛起：Mem0 快速增长说明”有记忆的 AI”需求强烈
RAG 质量提升：混合检索（稠密+稀疏）、重排序（Reranker）成为标配

参考资源

Khoj 官网：https://khoj.dev / GitHub：https://github.com/khoj-ai/khoj
AnythingLLM GitHub：https://github.com/Mintplex-Labs/anything-llm
Quivr GitHub：https://github.com/QuivrHQ/quivr
Reor GitHub：https://github.com/reorproject/reor
Mem0 GitHub：https://github.com/mem0ai/mem0
Fabric GitHub：https://github.com/danielmiessler/fabric
n8n GitHub：https://github.com/n8n-io/n8n
LlamaIndex GitHub：https://github.com/run-llama/llama_index
Chroma GitHub：https://github.com/chroma-core/chroma
Qdrant GitHub：https://github.com/qdrant/qdrant
Smart Connections GitHub：https://github.com/brianpetro/obsidian-smart-connections

免责说明：Star 数量为 2025 年中期估计值，实际数字以 GitHub 实时显示为准。本文旨在提供技术选型参考，不构成任何商业建议。

Quartz 4

Explorer

AI 知识库开源项目全景图

AI 知识库开源项目全景图

2026年新增项目（真实数据）

2026年4月爆发项目（基于 GitHub API 真实数据）

1. 领域全景

1.1 为什么 AI 知识库在 2025 年爆发？

1.2 市场分类

1.3 选型矩阵

2. 全栈 AI 知识库方案

2.1 Khoj — 开源 AI 第二大脑

核心定位

核心功能

与 Obsidian 集成

优点

缺点

适合场景

2.2 AnythingLLM — 多合一本地 LLM 知识库

核心定位

核心功能

与 Obsidian 集成

优点

缺点

适合场景

2.3 Quivr — 从第二大脑到企业 AI 平台的转型

核心定位

核心功能（新版 v0.0.x 系列）

与 Obsidian 集成

优缺点

适合场景

2.4 Reor — 完全本地的 AI 笔记应用

核心定位

核心功能

优缺点

适合场景

3. Obsidian 生态 AI 插件

3.1 Smart Connections — 最受欢迎的 AI 语义插件

核心功能

使用体验

3.2 Obsidian Copilot

核心功能

3.3 Obsidian Local REST API — 外部集成的关键桥梁

3.4 Text Generator

3.5 Obsidian AI 插件对比表

4. 自动化框架

4.1 n8n — 工程师首选的可视化工作流引擎

n8n 在知识库场景的价值

AI Agent 节点（2024 年新增）

为什么工程师选 n8n 而非 Zapier/Make

4.2 Fabric — AI 处理 Pattern 框架

核心理念

Pattern 示例（与知识库相关）

内置知识库相关 Pattern

与知识库集成

5. RAG 框架层

5.1 LlamaIndex — RAG 专项框架

核心优势

代码示例（构建简单 RAG）

5.2 LangChain — 通用 LLM 编排框架

与 LlamaIndex 的核心区别

5.3 Haystack — 企业级 NLP/RAG 框架

核心特点

5.4 RAG 框架选型对比

6. 向量数据库选型

6.1 完整对比表

6.2 详细说明

Chroma — 最适合快速原型

Qdrant — 综合能力最强

FAISS — 性能最极致的本地库

LanceDB — 新秀，多模态友好

pgvector — 已有 PostgreSQL 时的自然选择

7. AI 记忆层

7.1 Mem0 — 专为 AI 设计的记忆层

核心概念

与 RAG 的关系

7.2 Zep — 对话记忆专项方案

核心功能

Zep vs Mem0

8. 推荐技术栈组合