• 大模型知识库
  • RAG 问题
  • LLM 问题
  • 总结
  • 【2026-4-2】LLM Wiki
  • 【2026-4-4】Graphify 持久化知识图谱
    • 介绍
    • 适用场景
    • 原理
    • 安装
    • 使用
  • 【2026-4-14】GBrain
    • 介绍
    • 应用
    • 设计理念
      • （1）Compiled Truth 和 Timeline 双层结构
      • （2）混合检索
      • （3）智能分块
      • （4）丰富实体
      • （5）夜间巩固（dream cycle）
    • 安装
  • 【2026-5-1】Arkon 企业级知识库
  • 【2026-5-13】OpenHuman
• 结束

大模型知识库

RAG 问题

传统 RAG 本质是“临时查资料”工具：

• 要么依赖关键词匹配，容易漏掉真正语义相关的内容；
• 要么只靠向量相似度，又常常抓不住精准的规则和关键字段。

况且，只是把零散的文本片段临时拼进上下文，既没有形成结构化的知识沉淀，也没有留下可追溯的证据链。

Agent 每次都像“临时翻书”，而不是真正把知识“记住”。

再加上向量检索本身的不稳定、上下文窗口的硬性限制、历史信息无法长期累积。

Agent用得越久，反而越乱，始终停留在“一次性工具”的阶段。

LLM 问题

【2026-5-23】小红书视频

大模型根本不是知识库 —— 连最便宜的固态硬盘都比不上

• 大模型不存原文，只学分布，70b参数=130GB权重
• 2T SSD硬盘，写进去，10年后再读出来，还是那个数字

大模型（概率直觉） vs 硬盘（确定性）

2025年，研究证明

• 7B 模型在 int 8 量化下，最多能稳定承载 1.75GB 的结构化事实

不是模型忘了，而是压根就没打算记：大模型是有损拟合，非无损压缩，不还原字节

• 高频共现的规律被刻进权重深处，低频新界早被后续几万次训练冲的渣的不剩

总结

💡 总结：

• Arkon = 企业级 AI 知识中台
• LLM Wiki = 个人长期知识复利
• Graphify = 把文档变图谱查询
• GBrain = 极客的个人 AI 外脑

📊 四款工具对比

产品	时间	作者	定位	核心思想	知识组织	适用场景	集成能力	部署方式
LLM Wiki	【2026-4-2】	Andrej Karpathy	个人知识积累	复利式维基	互连 Markdown	个人研究沉淀	❌ 纯文档	本地文件
Graphify	【2026-4-4】	captainkink07	知识图谱生成器	图优先	可遍历知识图谱	文档智能查询	⚠️ 有限	本地工具
GBrain	【2026-4-14】	Garry Tan	个人 AI 大脑	Markdown+混合搜索	可搜索 AI 大脑	开发者工作流	✅ 30+ MCP	自托管
Arkon	【2026-5-1】		企业级 AI 知识中枢	MCP+Skill+Claude Code	结构化+技能编排	企业落地、团队协作	✅ MCP、Skill、Claude Code	开源自托管
OpenHuman	【2026-5-13】	-	全自动个人知识库	-	-	-	-	-

📌 Arkon：企业级开源 AI 知识库

🎯 核心价值

• 支持 MCP、Skill、Claude Code 等 AI 工具集成
• 比 LLM Wiki、Graphify、GBrain 更贴合企业落地场景
• 完整的企业级知识管理解决方案

【2026-4-2】LLM Wiki

2026年4月2日，著名AI研究员、前 OpenAI/Tesla 科学家 Andrej Karpathy 发布关于”/raw文件夹”的文章，末尾留下了一句意味深长的话：

“我认为这里存在一款令人惊叹的全新产品的空间。”

Karpathy 在AI领域的影响力毋庸置疑 —— 曾担任OpenAI联合创始人、Tesla AI总监，其公开发言和文章往往能在技术社区产生巨大的示范效应。

这次，一句”产品空间已经存在”，直接催生了一个开源项目，并在两天内跻身热门仓库之列

【2026-4-3】Andrej Karpathy X上分享用LLM搭建个人知识库

• 使用 LLM 构建个人知识库，涵盖各种研究兴趣主题。通过这种方式，我近期大部分的 token 处理量不再用于代码操作，而是用于知识操作（知识以 markdown 和图片形式存储）

数据导入：

• 将源文档（文章、论文、代码库、数据集、图片等）索引到 raw/ 目录中
• 然后使用 LLM 逐步“编译”个维基，本质上就是目录结构中的 .md 文件集合。这个维基包含 raw/ 中所有数据的摘要、反向链接，然后它将数据分类到各个概念中，为每个概念撰写文章，并将它们全部链接起来。为了将网页文章转换为 .md 文件，我喜欢使用 Obsidian Web Clipper 扩展，然后我还使用快捷键将所有相关图片下载到本地，以便我的 LLM 能够轻松引用它们。

Obsidian 是”高级收藏夹”: 文件扔进去就不管了，偶尔打开翻翻，找东西全靠记忆和搜索。

30个markdown文件，7个PDF报告，散落在”新闻”“报告”“洞察”“笔记”几个目录里，互相之间没有任何关联。

卡帕西的 LLM Wiki 坑挖，自己不实现，全靠社区用户手搓。

• LLM Wiki适合1k以下markdown文档

架构图

【2026-4-4】Graphify 持久化知识图谱

知识图谱（Knowledge Graph）并非新概念——谷歌于2012年正式引入这一术语，用于结构化表达实体及其相互关系。

在代码库理解这一特定场景中，知识图谱的优势尤为突出：大型语言模型在处理长上下文时，随着输入token数量增加，注意力权重的分配会变得更加分散，关键信息的提取准确率可能下降。通过预先构建知识图谱，将代码库的核心结构以紧凑、结构化的格式提供给语言模型，可以在不损失核心信息的前提下，大幅压缩输入长度，从而提升推理质量，降低幻觉率。

介绍

Graphify 开源命令行工具，由开发者 captainkink07 在 Andrej Karpathy 发文后连夜构建。

• 将任意文件夹一键转化为持久化知识图谱
• 支持 19种编程语言
• 与Claude Code深度集成
• 实现每次查询减少71.5倍token消耗。
• GitHub graphify

上线48小时内获得逾6000个GitHub星标，零遥测、无厂商锁定，数据永不离机。

【2026-4-26】Graphify：为代码库构建知识图谱，以图遍历替代向量检索

Graphify 是 Python 工具，也是 Claude Code skill。

• 把分析工作一次性做完，把所有内容压缩成可查询的知识图谱，放到磁盘上。
• 后续查询走图谱遍历，不再重新读取原始文件。

效果：

• 在混合语料库上每次查询的 token 量降低 71.5 倍。
• 虽然这个数字是项目方自己测的是否站得住脚还要验证，但是底层架构思路比同类工具普遍要更细致一些。

适用场景

适用场景

• 适合：
  • 同一个仓库里既有代码、又有架构文档、设计 PDF 和录制会议这种混合媒体项目；
  • 在稳定的代码库上反复查询的场景，因为缓存收益会随时间累积；
  • 用 Claude Code 做编码助手、想压低单次会话 API 成本的团队；
  • 调用图复杂、语义搜索吃力的项目，比如深层继承链或大量基于回调的架构。
• 不太适合：
  • 文件不到 20 个的新项目，图谱本身的开销不划算；
  • 内容几乎全是散文文档的仓库，对开放式语义问题，扁平 RAG 大概率跑得过图谱遍历；
  • AI 提供商的数据政策禁止把文档内容发给其 API 的环境——文档和图像走的就是 Pass 3，绕不开；
  • 以及需要可验证、可复现分析的项目，INFERRED 和 AMBIGUOUS 边如果照单全收，会把人带偏。

原理

Graphify 核心主张：一条命令将任意本地文件夹转化为持久化知识图谱。

• 不仅是静态的代码分析工具，还能够在会话间持续存在、随代码库更新而自动演化的知识结构。

工作流程分为两个阶段：

• 第一阶段：确定性解析（零Token，零API调用）
  • 工具首先使用tree-sitter对代码库进行确定性扫描，覆盖19种编程语言。Tree-sitter是一种增量式语法解析器生成器，能够以极低的计算成本精确解析代码结构，提取函数、类、依赖关系等核心元素，全程无需调用任何语言模型，也不产生任何API费用。
• 第二阶段：并行智能处理（文档、论文、图像）
  • 对于文档、学术论文、图片等非代码内容，Graphify 调用 Claude进行并行处理，自动识别并提取内容间的语义关系。
  • 每条关系边都会被明确标注为以下三种状态之一：
    • found（已发现）：由代码解析直接确认的关系
    • inferred（推断）：由语言模型根据上下文推断的关系
    • uncertain（不确定）：置信度较低、存疑的关系
  • 这种透明的标注机制使得用户始终清楚哪些是”事实”，哪些是”推测”，极大降低了AI幻觉带来的风险。

目录下执行 /graphify，会在 graphify-out/ 目录里生成：

• 用 vis.js 渲染的交互式 HTML 图谱，节点是实体（函数、类、概念、文档章节），边是关系（调用、import、引用、推断出来的依赖）；
• 用于程序化查询的持久化 JSON 图谱；
• Markdown 报告，标出度数高的节点和社区聚类。
• 可选输出: Obsidian vault、Neo4j 数据库、SVG、GraphML 文件，以及把整张图谱作为 LLM 可调用工具暴露出来的 MCP server。

聚类用 Leiden 社区检测算法。

• 同时包含 auth、billing 和 infra 模块的 monorepo，Graphify 会自动把这三块识别成不同的社区，并把它们之间的桥接节点显式标出来。

理解 Graphify 最关键: 不会用同一种方式对待所有文件类型——三个 pass 各跑各的，每一个的数据驻留策略也完全不一样。

• Pass 1：确定性 AST 提取（代码不出本机）
• Pass 2：本地音频转录（录音也不出本机）
• Pass 3：语义提取（文档和图像会发到你的 AI API）

安装

安装

• 工具叫 graphify，PyPI 上包却是 graphifyy

pip install graphify

# --- 可选依赖 -----
# 本地音频/视频转录
pip install "graphifyy[video]"
# Microsoft Office 文件支持（.docx、.xlsx）
pip install "graphifyy[office]"
# MCP server（把图谱作为 LLM 工具暴露）
pip install "graphifyy[mcp]"

# 一次装全
 pip install "graphifyy[all]"

# --- skill 注册 ----
# 把 skill 注册到 AI 平台(如 claude code)
graphify install
graphify --update # 增量更新

使用

后续运行时，Graphify 会比对 SHA256 哈希——只有改动过的文件会被重新处理。第一次导入是贵的那一次，重复查询很便宜。

# 在 AI 助手里对当前目录做标准分析
/graphify

# 深度模式：更激进的关系推断
/graphify --deep

# 处理特定子目录
/graphify ./src/auth

# Watch 模式：文件变化时重建图谱
/graphify --watch

# 查询已有图谱
/graphify query "how does user authentication flow through the system?"

# 查找两个实体之间的最短路径
/graphify path "UserService" "DatabasePool"

# 用自然语言解释某个实体
 /graphify explain "PaymentProcessor"

【2026-4-14】GBrain

介绍

【2026-4-14】YC 总裁 Garry Tan (陈嘉里) 推出 GBrain, 专为OpenClaw、Hermes等Agent设计的“个人知识大脑”。不单纯依赖临时上下文或单一 RAG 查询，而是以 Markdown 仓库作为唯一真相源，结合 Postgres 和 pgvector 的混合检索引擎，构建可持续读写、人机共管、自动整理的长期记忆系统。

GBrain能够实现“读前查脑、用后写脑、夜间巩固（dream cycle）”，让知识像雪球一样越滚越大，Agent越用越聪明。

• GitHub 仓库 garrytan/gbrain, 上线一周多目前10.1k Stars。
• 解读 YC总裁开源智能体知识记忆系统GBrain，专为OpenClaw和Hermes设计

GBrain 是面向 AI 智能体的开源个人知识记忆系统，定位是 Agent 的 “外置永久大脑”，把散落在 Markdown、Obsidian、会议纪要、邮件里的知识，都变成能被智能体高效调用的结构化记忆库。

GBrain 并非要替代 OpenClaw / Hermes的原有记忆，而是与它们形成互补的三层记忆架构，让智能体同时拥有长期知识、运行状态与实时上下文。

• GBrain：负责存储人物、公司、交易、会议、观点、原创思考等客观事实与通用认知，是智能体的长期世界知识库。
• Agent Memory：负责存储偏好、决策、运行配置、行为规则等业务状态信息。
• Session Context：自动维护当前对话内容，提供即时交互上下文。

应用

GBrain 可与任意 AI 智能体、MCP 客户端配合使用，也可独立运行。

• ① OpenClaw或 Hermes
• ② 独立 CLI 命令行工具
• ③ MCP 服务端（Claude Code、Cursor、Windsurf 等）

详见资讯：YC总裁开源智能体知识记忆系统GBrain，专为OpenClaw和Hermes设计

设计理念

GBrain 核心设计理念如下：

（1）Compiled Truth 和 Timeline 双层结构

每个 Markdown 页面分为当前最佳理解（Compiled Truth）和时间线（Timeline ）证据两部分，分别存放“最新结论”与“历史证据”，让知识既可查询又可追溯。人类能直接编辑Markdown，改完gbrain sync就自动同步，真正做到了“人机共管”。

（2）混合检索

支持向量搜索、关键词搜索以及RRF融合，兼顾语义理解与精确匹配，不遗漏关键信息。检索机制如下：

Query: "when should you ignore conventional wisdom?"
|
多查询拓展(Claude Haiku)
"contrarian thinking startups", "going against the crowd"
|
+-------+-------+
|               |
向量检索    关键词检索(HNSW     (tsvector 
+cosine)    ts_rank)
+-------+-------+
|               |
|
RRF Fusion: score = sum(1/(60 + rank))
|

四层去重机制（4-Layer Dedup）
1、每页只保留最优文本块
2、余弦相似度 > 0.85
3、类型多样性（上限 60%）
4、单页文本块数量上限
|
过时提醒（精炼结论比最新时间线内容更旧）
|
返回最终结果

（3）智能分块

GBrain 会根据内容类型，采用三种文本分块策略：

• 递归分块（适用于时间线、批量导入）：采用 5 级分隔符层级结构（段落、行、句子、从句、词语）。以 300 词为文本块，保留 50 词重叠区。速度快、效果稳定、无信息丢失。
• 语义分块（适用于精炼结论内容）：对每个句子单独生成向量嵌入，计算相邻句子的余弦相似度，通过Savitzky-Golay平滑法识别主题边界。若识别失败则自动回退到递归分块。在智能分析场景下效果最优。
• LLM 引导分块（适用于高价值内容，按需启用）：先预分割为 128 词的候选片段，再通过 Claude Haiku 在滑动窗口中识别主题转变。每个窗口支持 3 次重试。成本最高，但效果最佳。

（4）丰富实体

当会议、邮件、推文、链接等新信号到来时，智能体首先自动识别其中的实体（人物、公司、观点等）， 然后先查记忆库，带着完整上下文进行回应， 接着把新信息写入gbrain，更新相关页面，并同步索引供下次使用。

每完成一次这样的读-写-循环，知识库就真正增加了一份积累。 一次会议后，智能体自动丰富了某人的个人页面。下次这个人再次出现时，智能体已经拥有了丰富上下文，再也不用从零开始。

没有这套循环的智能体，永远只能靠陈旧或临时的上下文回答问题。而搭载了 GBrain 的智能体，每一次对话都在变得更聪明。

（5）夜间巩固（dream cycle）

夜间定时任务（cron）自动扫描所有对话、补充缺失的实体、修复错误的引用、整理记忆。像人类睡眠时大脑巩固记忆一样，让知识真正“长”起来。

安装

安装

# 自然语言方式
Retrieve and follow the instructions at:
https://raw.githubusercontent.com/garrytan/gbrain/master/INSTALL_FOR_AGENTS.md
# 原生
git clone https://github.com/garrytan/gbrain.git && cd gbrain && bun install && bun link
gbrain init                     # local brain, ready in 2 seconds
gbrain import ~/notes/          # index your markdown
gbrain query "what themes show up across my notes?"

【2026-5-1】Arkon 企业级知识库

问题

• 大多数组织以团队为单位应用AI，没有共享知识，上下文不一致，也无法了解 Ai Client 实际处理的信息。
• 每位员工手动粘贴文档，重复相同的背景，根据记得包含的内容而得到不同的答案。

【2026-5-1】公司文档自动整理成知识 Wiki，通过 MCP 让每个员工的 AI 客户端拿到对口的上下文，不用再手动粘贴。

• GitHub 仓库：Arkon

Arkon 是可自部署的企业 AI 知识中枢。

• 上传 SOP、政策、产品文档后，LLM Agent 编译成交叉链接的 Wiki。
• 员工用 MCP Token 连上 Claude Desktop 等客户端，按权限自动拿到相关知识、原文和 AI Skills。

（1）知识百科

文档由 LLM 代理编译成一个持久、互链的维基——而不仅仅是索引。每一页涵盖一个特定的实体、概念或主题。页面相互引用。随着更多文档的添加，维基变得更智能。

• 三面板维基浏览器：页面树、内容、反向链接与出链接
• 全文和语义搜索
• 知识图谱可视化
• 按知识类型组织（SOP、产品、人力资源政策等）
• 每页的版本历史和回滚
• 草稿提案 → 编辑审核 → 批准工作流

（2）工作空间

创建工作空间 → 添加来自任何部门的成员 → 附加文档。每个工作空间拥有自己的范围限定维基、文档列表和成员名册。成员通过 Claude 自动查看其工作空间知识。

• 基于角色的成员资格：查看者、贡献者、编辑、管理员
• 范围化的维基和文档管理
• 贡献者提出维基修改；编辑审核并批准

（3）Skills

上传自定义代理包并通过 Claude 使其对员工可用。技能版本化、部门范围，并通过 MCP 分发。

（4）MCP 服务器

员工使用个人令牌将 Claude 桌面版（或任何 MCP 客户端）连接到 Arkon。Claude 获得编译后的维基、原始源文档和 AI 技能的访问权限——所有内容均按员工的权限范围进行过滤。

• 查看 MCP & Claude 获取完整工具参考。

（5）访问控制

部门级别的细粒度 RBAC 以及工作空间成员角色。管理员定义具有细粒度权限的角色；员工根据部门或显式分配继承访问权限。

• 查看访问控制以了解完整的权限模型。

【2026-5-13】OpenHuman

【2026-5-13】OpenHuman 把卡帕西这套手工活，变成了全自动流水线。

三步链路就是：连接→抓取→记忆树。

• 第一步，连。 目前OpenHuman支持118+第三方服务，Notion、GitHub、Slack、Stripe、Drive……覆盖了大多数人日常工作的核心工具。
  • 每个连接都是一键授权，不需要你跑去每个平台手动生成API Key。
• 第二步，抓。 连接完之后，核心引擎每20分钟自动轮询所有已连接的账户。
  • 新邮件、日程变更、代码提交、文档更新……全拉到本地。
  • 你不用写任何prompt或轮询脚本，Agent自己知道什么时候该刷新。
• 第三步，记。 抓来的数据经过清洗和压缩，切成不超过3000个Token的Markdown片段，按主题、时间线、关联对象做评分和层级摘要，最终折叠成一棵记忆树。

结束