个人知识管理中，笔记越积越多却找不到、用不上。传统RAG每次都从原始文档重新检索和拼凑答案，没有积累，问了白问。 Personal notes pile up but become unfindable and unusable. Traditional RAG re-derives answers from raw documents every time — no accumulation, making repeated queries pointless.
受Karpathy LLM Wiki启发：应该让AI把零散知识「编译」成结构化知识库，而不是每次临时翻找。知识编译一次，持续增值。 Inspired by Karpathy's LLM Wiki: AI should 'compile' scattered knowledge into a structured knowledge base, not rummage through raw documents each time. Compile once, appreciate forever.
三层知识架构让原始资料和最终答案之间有了「编译层」——AI主动维护的结构化知识库；AI问答基于编译后的知识而非原始文档，答案质量更高且越用越准；双向链接+关系图让知识真正连成网。 Three-layer knowledge architecture inserts a 'compilation layer' between raw materials and final answers — an AI-maintained structured knowledge base. AI Q&A leverages compiled knowledge for higher-quality answers that improve over time. Bidirectional links + relationship graphs turn knowledge into a real network.
技术栈 Tech Stack
AI 驱动的个人知识库 + AI 助手
灵感源自 Karpathy LLM Wiki：不是每次提问都从原始文档重新检索，而是让 LLM 把零散资料「编译」成持续增值的结构化知识库。
Stop re-deriving, start compiling.
核心理念
传统 RAG 每次提问都从原始文档临时翻找、拼凑答案，没有积累。NoteAI 在原始资料和最终答案之间插入一个「编译层」——由 AI 主动维护的结构化 Markdown 知识库。知识编译一次，持续增值。
功能全景
- 采集 — 网页文章下载（微信公众号/知乎优化）、PDF/DOCX/PPTX 多格式转换、AI 辅助排版
- 整理 — 多级主题树、jieba 自动标签、笔记整合、AI 主题分析
- 链接 — 双向链接发现（本地粗筛 + AI 精判）、关系图可视化、WIKI.md 自动索引
- 编辑 — Tiptap + CodeMirror 6 双引擎、实时预览、AI 改写、主题综述
- AI 助手 — RAG 问答、HyDE 查询优化、Flashrank 重排序、父子文档检索、长短记忆
RAG 检索流水线
用户提问 → HyDE 假设性答案生成
→ Milvus Lite 混合检索 (dense + sparse, bge-small-zh-v1.5)
→ 主题/标签过滤
→ FlagReranker 重排序 (bge-reranker-v2-m3)
→ MMR 去重
→ LLM 生成回答（流式输出）三层知识架构
| 层 | 目录 | 说明 |
|---|---|---|
| Raw | Notes/ | 原始 Markdown（不可变，来源真相） |
| Wiki | Organized/ | AI 编译的结构化知识（LLM 拥有，持续更新） |
| Archive | Raw/ | 原始文件归档（PDF/DOCX/PPTX） |