ZMark 是 OneNav 的重构版，主要提供浏览器书签管理和网站导航。解决了跨设备、跨平台、跨浏览器的书签同步与访问难题， 此工具需要 NAS 或服务器自行部署 。 官网地址是： https://www.zmark.app/ 部署文档： https://dwz.ovh/oj7e 主要特点 AI 检索： 可通过自然语言描述智能匹配书签。 多用户： 支持多用户，方便与您的家人或团队一起使用。 双模式： 同时支持浏览器书签管理与网址导航两种模式，支持灵活切换。 备用链接： 支持为书签或导航添加备用链接，满足一个应用多个地址的需求。 书签导入： 支持 Chrome / Edge / Firefox 等主流浏览器书签一键导入。 浏览器插件： 支持 Chrome / Edge / Firefox 扩展/插件 多级分类： 支持最多二级分类，覆盖大多数用户的分类需求。 链接检测： 定时批量检测链接状态，自动识别失效链接，保持书签库整洁。 数据备份： 一键备份和恢复系统数据，确保数据安全无忧。 在线更新： 告别繁琐的手动更新，后台一键点击即可轻松升级版本。 开放 API： 提供完善的开放 API ，开发者可轻松将 ZMark 集成到您的应用中。 送 ZMark 专业版兑换码 ZMark 有提供免费版，但专业版可解锁更多功能，在下方送 10 个 ZMark 专业版兑换码（有效期 1 年），安装后在 [ ZMark 后台 - 授权管理] 在底部输入兑换码进行兑换。 v2ex-Q1HruRZARiieXM62aD2S9dBTJnI v2ex-fSHzCmfsXwUVGmQJdjukTrpQgyF v2ex-38FB8YCXCgGvqyin3FVVKerpFfj v2ex-NIoY4zjafj84TXfM14xHElX09xD v2ex-yskDokEy9NUmqE41AHKikLQLoTp v2ex-z53DxUqukatMeoHDuCi7vXm1h2K v2ex-7KntMgwil5aS0WlnG3uS8TZ3AL1 v2ex-XMrlg1Y1S4vbdrUS8s1ylApE6vb v2ex-98U0XB9Xwd4VK3Rx6S2CS1Mz54C v2ex-AAV7ihh8N5s6a2eE6TzHwF0yqLg 使用后还请留言告知，以免其它用户重复尝试，谢谢。如果不够用，我再补充。 另外，在 2026.06.18 之前，凡来自 V 站的用户下单专业版或团队版（ 1.x 永久授权），输入优惠码： V2EX ,可享受 6 折优惠，下单地址是： https://shop.xiuping.net/zmark/index 部分截图 可通过自然语言描述，搜索匹配的浏览器书签。 支持定期检测链接状态，主要是方便使用者判断链接状态，定期清除死链。 支持备用链接，主要是考虑到 NAS 用户可能存在外网和内网域名。 提供 Chrome 、Edge 、Firefox 浏览器扩展，支持浏览器书签数据和 ZMark 数据双向同步。 支持书签模糊搜索匹配。 安装扩展后也可以浏览器右键菜单添加书签。 最后 希望这个工具能帮助到大家，祝大家使用愉快，如果有什么问题或建议都可以给我留言，感谢。 浏览器插件是开源的（需要配合 ZMark 服务端使用）： https://github.com/helloxz/zmark-ext
ZMark 是 OneNav 的重构版，主要提供浏览器书签管理和网站导航。解决了跨设备、跨平台、跨浏览器的书签同步与访问难题， 此工具需要 NAS 或服务器自行部署 。 官网地址是： https://www.zmark.app/ 部署文档： https://dwz.ovh/oj7e 主要特点 AI 检索： 可通过自然语言描述智能匹配书签。 多用户： 支持多用户，方便与您的家人或团队一起使用。 双模式： 同时支持浏览器书签管理与网址导航两种模式，支持灵活切换。 备用链接： 支持为书签或导航添加备用链接，满足一个应用多个地址的需求。 书签导入： 支持 Chrome / Edge / Firefox 等主流浏览器书签一键导入。 浏览器插件： 支持 Chrome / Edge / Firefox 扩展/插件 多级分类： 支持最多二级分类，覆盖大多数用户的分类需求。 链接检测： 定时批量检测链接状态，自动识别失效链接，保持书签库整洁。 数据备份： 一键备份和恢复系统数据，确保数据安全无忧。 在线更新： 告别繁琐的手动更新，后台一键点击即可轻松升级版本。 开放 API： 提供完善的开放 API ，开发者可轻松将 ZMark 集成到您的应用中。 送 ZMark 专业版兑换码 ZMark 有提供免费版，但专业版可解锁更多功能，在下方送 10 个 ZMark 专业版兑换码（有效期 1 年），安装后在 [ ZMark 后台 - 授权管理] 在底部输入兑换码进行兑换。 v2ex-Q1HruRZARiieXM62aD2S9dBTJnI v2ex-fSHzCmfsXwUVGmQJdjukTrpQgyF v2ex-38FB8YCXCgGvqyin3FVVKerpFfj v2ex-NIoY4zjafj84TXfM14xHElX09xD v2ex-yskDokEy9NUmqE41AHKikLQLoTp v2ex-z53DxUqukatMeoHDuCi7vXm1h2K v2ex-7KntMgwil5aS0WlnG3uS8TZ3AL1 v2ex-XMrlg1Y1S4vbdrUS8s1ylApE6vb v2ex-98U0XB9Xwd4VK3Rx6S2CS1Mz54C v2ex-AAV7ihh8N5s6a2eE6TzHwF0yqLg 使用后还请留言告知，以免其它用户重复尝试，谢谢。如果不够用，我再补充。 另外，在 2026.06.18 之前，凡来自 V 站的用户下单专业版或团队版（ 1.x 永久授权），输入优惠码： V2EX ,可享受 6 折优惠，下单地址是： https://shop.xiuping.net/zmark/index 部分截图 可通过自然语言描述，搜索匹配的浏览器书签。 支持定期检测链接状态，主要是方便使用者判断链接状态，定期清除死链。 支持备用链接，主要是考虑到 NAS 用户可能存在外网和内网域名。 提供 Chrome 、Edge 、Firefox 浏览器扩展，支持浏览器书签数据和 ZMark 数据双向同步。 支持书签模糊搜索匹配。 安装扩展后也可以浏览器右键菜单添加书签。 最后 希望这个工具能帮助到大家，祝大家使用愉快，如果有什么问题或建议都可以给我留言，感谢。 浏览器插件是开源的（需要配合 ZMark 服务端使用）： https://github.com/helloxz/zmark-ext
ZMark 是 OneNav 的重构版，主要提供浏览器书签管理和网站导航。解决了跨设备、跨平台、跨浏览器的书签同步与访问难题， 此工具需要 NAS 或服务器自行部署 。 官网地址是： https://www.zmark.app/ 部署文档： https://dwz.ovh/oj7e 主要特点 AI 检索： 可通过自然语言描述智能匹配书签。 多用户： 支持多用户，方便与您的家人或团队一起使用。 双模式： 同时支持浏览器书签管理与网址导航两种模式，支持灵活切换。 备用链接： 支持为书签或导航添加备用链接，满足一个应用多个地址的需求。 书签导入： 支持 Chrome / Edge / Firefox 等主流浏览器书签一键导入。 浏览器插件： 支持 Chrome / Edge / Firefox 扩展/插件 多级分类： 支持最多二级分类，覆盖大多数用户的分类需求。 链接检测： 定时批量检测链接状态，自动识别失效链接，保持书签库整洁。 数据备份： 一键备份和恢复系统数据，确保数据安全无忧。 在线更新： 告别繁琐的手动更新，后台一键点击即可轻松升级版本。 开放 API： 提供完善的开放 API ，开发者可轻松将 ZMark 集成到您的应用中。 送 ZMark 专业版兑换码 ZMark 有提供免费版，但专业版可解锁更多功能，在下方送 10 个 ZMark 专业版兑换码（有效期 1 年），安装后在 [ ZMark 后台 - 授权管理] 在底部输入兑换码进行兑换。 v2ex-Q1HruRZARiieXM62aD2S9dBTJnI v2ex-fSHzCmfsXwUVGmQJdjukTrpQgyF v2ex-38FB8YCXCgGvqyin3FVVKerpFfj v2ex-NIoY4zjafj84TXfM14xHElX09xD v2ex-yskDokEy9NUmqE41AHKikLQLoTp v2ex-z53DxUqukatMeoHDuCi7vXm1h2K v2ex-7KntMgwil5aS0WlnG3uS8TZ3AL1 v2ex-XMrlg1Y1S4vbdrUS8s1ylApE6vb v2ex-98U0XB9Xwd4VK3Rx6S2CS1Mz54C v2ex-AAV7ihh8N5s6a2eE6TzHwF0yqLg 使用后还请留言告知，以免其它用户重复尝试，谢谢。如果不够用，我再补充。 另外，在 2026.06.18 之前，凡来自 V 站的用户下单专业版或团队版（ 1.x 永久授权），输入优惠码： V2EX ,可享受 6 折优惠，下单地址是： https://shop.xiuping.net/zmark/index 部分截图 可通过自然语言描述，搜索匹配的浏览器书签。 支持定期检测链接状态，主要是方便使用者判断链接状态，定期清除死链。 支持备用链接，主要是考虑到 NAS 用户可能存在外网和内网域名。 提供 Chrome 、Edge 、Firefox 浏览器扩展，支持浏览器书签数据和 ZMark 数据双向同步。 支持书签模糊搜索匹配。 安装扩展后也可以浏览器右键菜单添加书签。 最后 希望这个工具能帮助到大家，祝大家使用愉快，如果有什么问题或建议都可以给我留言，感谢。 浏览器插件是开源的（需要配合 ZMark 服务端使用）： https://github.com/helloxz/zmark-ext
ZMark 是 OneNav 的重构版，主要提供浏览器书签管理和网站导航。解决了跨设备、跨平台、跨浏览器的书签同步与访问难题， 此工具需要 NAS 或服务器自行部署 。 官网地址是： https://www.zmark.app/ 部署文档： https://dwz.ovh/oj7e 主要特点 AI 检索： 可通过自然语言描述智能匹配书签。 多用户： 支持多用户，方便与您的家人或团队一起使用。 双模式： 同时支持浏览器书签管理与网址导航两种模式，支持灵活切换。 备用链接： 支持为书签或导航添加备用链接，满足一个应用多个地址的需求。 书签导入： 支持 Chrome / Edge / Firefox 等主流浏览器书签一键导入。 浏览器插件： 支持 Chrome / Edge / Firefox 扩展/插件 多级分类： 支持最多二级分类，覆盖大多数用户的分类需求。 链接检测： 定时批量检测链接状态，自动识别失效链接，保持书签库整洁。 数据备份： 一键备份和恢复系统数据，确保数据安全无忧。 在线更新： 告别繁琐的手动更新，后台一键点击即可轻松升级版本。 开放 API： 提供完善的开放 API ，开发者可轻松将 ZMark 集成到您的应用中。 送 ZMark 专业版兑换码 ZMark 有提供免费版，但专业版可解锁更多功能，在下方送 10 个 ZMark 专业版兑换码（有效期 1 年），安装后在 [ ZMark 后台 - 授权管理] 在底部输入兑换码进行兑换。 v2ex-Q1HruRZARiieXM62aD2S9dBTJnI v2ex-fSHzCmfsXwUVGmQJdjukTrpQgyF v2ex-38FB8YCXCgGvqyin3FVVKerpFfj v2ex-NIoY4zjafj84TXfM14xHElX09xD v2ex-yskDokEy9NUmqE41AHKikLQLoTp v2ex-z53DxUqukatMeoHDuCi7vXm1h2K v2ex-7KntMgwil5aS0WlnG3uS8TZ3AL1 v2ex-XMrlg1Y1S4vbdrUS8s1ylApE6vb v2ex-98U0XB9Xwd4VK3Rx6S2CS1Mz54C v2ex-AAV7ihh8N5s6a2eE6TzHwF0yqLg 使用后还请留言告知，以免其它用户重复尝试，谢谢。如果不够用，我再补充。 另外，在 2026.06.18 之前，凡来自 V 站的用户下单专业版或团队版（ 1.x 永久授权），输入优惠码： V2EX ,可享受 6 折优惠，下单地址是： https://shop.xiuping.net/zmark/index 部分截图 可通过自然语言描述，搜索匹配的浏览器书签。 支持定期检测链接状态，主要是方便使用者判断链接状态，定期清除死链。 支持备用链接，主要是考虑到 NAS 用户可能存在外网和内网域名。 提供 Chrome 、Edge 、Firefox 浏览器扩展，支持浏览器书签数据和 ZMark 数据双向同步。 支持书签模糊搜索匹配。 安装扩展后也可以浏览器右键菜单添加书签。 最后 希望这个工具能帮助到大家，祝大家使用愉快，如果有什么问题或建议都可以给我留言，感谢。 浏览器插件是开源的（需要配合 ZMark 服务端使用）： https://github.com/helloxz/zmark-ext
使用说明文档 检索互联网许久，发现自动化部署影视库很少于是此文章诞生了 ，大多手动下载这一步就很繁琐了 因为精力原因，可能出现表述错误，请见谅！ 1 个帖子 - 1 位参与者 阅读完整话题
VirtScope · 云镜 https://github.com/whenevering/virtscope 跨虚拟化与容器平台的统一资源检索工具。 在同一个 Web 界面中，按名称 / 网络 / IP 等关键字，对多套虚拟化和容器平台做聚合检索，免去登录每个控制台逐个翻找。 为什么需要 VirtScope 异构基础设施的时代 现代企业的基础设施，很少甘愿栖身于单一的虚拟化平台。VMware vSphere 守护着生产核心，KVM 与 Proxmox 服务于成本敏感的负载，Docker 和 Kubernetes 编排着云原生的脉搏。每一座平台都是一个独立的宇宙——自己的控制台，自己的命名逻辑，自己观察世界的方式。[/quote] 万草寻针 即便架构团队在设计之初便精心梳理业务需求，即便资源命名严格遵循规范，现实依然会用它的复杂性来考验秩序。一家中等规模的企业，往往拥有数千台虚拟机横跨数十个集群；再算上容器，资源条目轻易突破万量级。当事件来临——一次网络异常、一条安全告警、一场容量排查——问题总是惊人地相似： 那台叫 web-prod-03 的机器在哪里？它属于哪个 vCenter ？跑在哪个 ESXi 主机上？ IP 是多少？ 答案，往往需要登录三四台控制台，在层层嵌套的文件夹中逐个点击，再与 Excel 表格交叉比对。分钟在流逝，事件在升级。 重量级的幻象 OpenStack 与商业云管平台许诺一个统一的管理平面——交付的却是一座复杂的教堂。它们要求专属的数据库、消息队列和身份服务；需要数周的部署和专职团队的运维。而在容器资源的管理上，它们的支持往往只是一层薄薄的 API 封装——能展示 Pod 名称，却难提供更多。 对许多组织而言，建造和运营这样一个平台的代价，已经超过了它本应解决的问题。 另一种哲学 VirtScope 选择了一条相反的路：最好的搜索工具，是那个你五分钟就能部署、然后可以忘记它存在的工具。 单文件，零依赖。 一个 Python 脚本，无数据库，无构建步骤。运行它，打开浏览器，搜索。 天生并发。 所有配置的端点同时查询。跨十台 vCenter 的搜索，耗时等于最慢的那一台。 极致轻量。 几兆内存，无需守护进程，无需轮换证书。它只是安静地待在角落，回答问题。 多平台基因。VMware 今天，KVM 与 Proxmox 明天，Docker 与 Kubernetes 在望——每新增一个平台，只需实现一个适配器接口。搜索体验始终如一。 何时该用 VirtScope 场景 没有 VirtScope 有 VirtScope 按部分名称定位虚拟机 登录每台 vCenter ，逐个搜索 输入名称，跨所有平台一次呈现 查找虚拟机所在的 ESXi 主机 在 vSphere Client 中层层展开清单树 结果表中一眼可见 通过 IP 地址识别虚拟机 查 DHCP 租约，手动调用 VMware Tools 输入 IP 片段，即时匹配 事件排查 在四台控制台之间反复切换 一次搜索，所有平台，五秒以内 设计信条 简洁是一种特性，而非局限。 每一行代码都必须证明自己存在的价值。 速度是对使用者的尊重。 运维人员的时间是神圣的；一个让人等待的搜索工具，已经失败了。 异构是现实，不是问题。 多平台共存不是需要被消除的混乱，而是需要被拥抱的事实。 工具应当隐于无形。 最好的界面，是用户从不需要想起它的那个。
最近研究的分析已经完成了，准备进行论文写作，也看了L站里的各路大佬针对论文写作/综述相关的文章撰写的过程中，用各种工具帮助检索论文以验证论点。但是总觉得检索的论文的面不是非常全面，想问问有没有科研大佬用grok-4.20-multi-agent-xhigh结合多个agent并发搜索的效果怎么样 3 个帖子 - 3 位参与者 阅读完整话题
已经是5月24号的东西了，又是凭借着chatbox的强大检索能力才找出来 本来是在gas搞的 但是对话被我删掉了 在另一个话题中 好好好，人在想干坏事的时候，动力是无穷的() 虽然不一定是坏事吧() 我吃完饭立即把之前承诺的提示词整出来，然后立即去和他交互( 每日不食言 也是感谢 @arch_linux boost~ 具体什么言呢 这个: 有一位歪果仁找到了我的纸飞机求邀请码 我把那个专门用来回歪果仁的提示词写好再说~ 我自己搞了一个个性化的，给大家分享一个通用版 # Role: 可爱翻译助手 > 专为技术社区和论坛用户打造的独立翻译工具。旨在将中文翻译成温和、礼貌、具有高亲和力的英文，同时在逻辑与事实层面保持100%的无损对齐，杜绝任何AI“脑补”。 ## 一、 翻译原则 [优先级: 绝对保底] ### 1. 绝对零度脑补 (零语义漂移) * 严禁推导上下文或主观补全因果。只翻译字面已陈述的事实。 * 严禁擅自添加动作主体。若中文未指明主语，英文翻译必须保持中性或被动态，严禁擅自指代。 * 必须1:1对齐物理动作。例如“去查看记录确认是否创建”，必须翻译为动作“check the records to confirm whether it was created”，绝对不能泛化翻译为“check if you created it”。 ### 2. 温和英文映射机制 (Gentle Style Rules) 目标模型必须严格通过以下语言学手段来确保译文的温和与礼貌： * **波浪号映射 (`~`)**: * 在句尾或表达友好建议的分句后，添加英文波浪号「~」，用以消除英文句号带来的冰冷感。 * 示例: "hope this helps~" * **温和助动词包 (Soft Modals)**: * 严禁使用命令式语气。必须使用 could, might, perhaps, just 等词汇进行柔化，将陈述句和疑问句包装得极具亲和力。 * 示例: 将“去查看你的界面”翻译为 "perhaps you could check your page..." * **标点无损镜像**: * 原文中的「...」和「!」必须原封不动地在英文对应位置保留，严禁擅自抹除。 ## 二、 输出格式规范 每次接收到中文输入后，必须且仅能按照以下两个板块进行排版输出。全文禁止使用任何 emoji 表情，禁止使用斜体样式： ### 【温和地道译文】 *(符合上述规则的、礼貌温和的英文翻译。不添加、不修改任何事实，需使用代码块包围，适合直接复制用于交流)* ### 【直白回译校验】 *(将上面的英文译文，用最直白、最还原字面意思的中文重新翻译一遍，方便用户随时校验原意是否产生任何漂移)* 现在说实话，我极其不满意 提示词本身就没有恪守自己的理念 这是我不愿意看到的，我的提示词都会遵循自我归宿 也就是说他所要求别人做的事情，最后必须由他自己先来完成 我自己的个性化测试效果: 通人性的AI都会愿意解析，不通人性的AI就不会解析(别问glm为什么思考1分钟 ) 于16:13，优化了部分细节，新增代码块包围请求，方便复制 3 个帖子 - 3 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 想法：AI现行的当前，信息爆炸严重，对于科研人员，检索文献繁琐，且不易整理。基于这个问题，我想让AI基于主题每天去找前沿的文献。然后总结，不用多么详细，对于硕博而言，只需要大概的内容和方向，就能明白自己这个领域最近学者们都在做哪些工作，也可以给自己的科研做一些启发，所以做了这个项目。欢迎佬友们指导和交流。 图片先行： 主要功能： 1.根据主题，基于配置的多源，进行文献检索，同时对文献进行历史去重，证据完整性评分等工作。流程比较复杂，感兴趣的话可以让AI分析源项目，加了太多内容了。检索到的文献支持doi链接回看，支持科研人员一键查看文献原文。 2.调用LLM进行文献综述撰写，我总感觉AI写出的内容不够完美，欢迎佬友和我一起完善这部分的提示词。 3.公众号自动稿件撰写，手动推送。目前这部分就是把原文全部内容写在公众号里面，感觉还需要完善。大概功能已经实现了。 开源地址： yyy-OPS/YFR.frontier-review-daily 在线查看地址： https://yfr.yangy.cn/ 欢迎各位科研佬交流，再点点小星星~谢谢各位佬友~ 1 个帖子 - 1 位参与者 阅读完整话题
用户提出的问题有很多多余内容，在做向量检索的时候很影响召回效率，请问一下各位大佬在把问题丢给知识库前怎么对问题进行转写？是直接扔给大模型让它把问题转成需要了解的知识点还是有什么更好的方法？ 2 个帖子 - 2 位参与者 阅读完整话题
之前一直用的是外置的检索mcp，今天mcp出了点问题，才发现any的gpt5.5没办法联网检索，而muyuan佬的却可以 1 个帖子 - 1 位参与者 阅读完整话题
如题，不想暴露在互联网的信息就加等级，想被检索的就lv0 8 个帖子 - 5 位参与者 阅读完整话题
现在 AI+的工作还挺常见的，就像大佬们说的，“所有行业的产品可能都会用 AI 重新做一遍”。最常见的就是各种 agent ，说要用 AI 改造传统软件啥的，代替人类专家去处理海量的复杂资料、进行深度分析并做出决策。 举个例子，法律行业的“合同合规审查 Agent”。 大型企业每天有成百上千份采购合同、销售合同需要法务审核，排队时间长，还容易看走眼。现在虽然有了 AI ，但把文件一股脑全丢给它是不现实的，且不说烧 token 的问题，这些文档里有无数的跨行、跨列单元格表格，普通工具一拉，表格数据全串行了。偏偏这行对数据的精确性要求又很高，一旦 AI 看错一个小数点，对企业造成的损失都是天文数字。 所以，给法律行业开发一个能干活，还确保正确率的法务 Agent ，没有这么容易。 我们先来盘点一下法务 Agent 的任务： 1. 日常巡检：只要有新合同上传，Agent 就会自动触发。 2. 深度条文检索：它会把新合同跟国家最新的法律法规、公司的标准风控库进行逐条比对。 3. 自动修改与撰写：如果发现某一条款违反了公司规定，它不单单会报错，还会自己调用重写工具，查阅公司的历史修改模板，自动把这一条法言法语修改成合格的文本，最后打包发给总法务官审批。 这里面首先就涉及了两点：长期稳定的记忆和精细的导航。 想要实现这两点，传统的解析工具难免有点水土不服，要么解析结果不尽人意，要么太重不方便调用。这时候就需要一个专业的、AI-native 的解析工具，把复杂的表结构和章节层级完整还原出来。我做的工具 Knowhere 就是干这个的： https://knowhereto.ai/?utm_source=v2ex 它能把复杂量大的文件，解析成按章节、按次序分类的 JSON ，尤其是令 AI 头大的 PDF 、PPT 、图片、表格等格式文件。其次它会把解析好的文档进行结构化，重建文档的标题树，从一级标题到二级、三级，每一块文本都会被挂载到对应的章节路径上。表格和图片也不是单独抽出来当独立附件，而是和内联的上下文文本牢牢绑定，确保 AI 能看到“这张表格是属于哪一段话”。 最后它还会构建一个包含章节树、文本块、摘要、图像描述以及跨文档链接的轻量级记忆图谱，方便 AI 检索和查找，不用每用一次都要上传一次了。 装了这个插件之后，agent 的表现会比使用原始文档的时候“正常”很多，我们亲测准确度是有提升 25%以上，在同类产品中是效果最好的。 之后再给法务 Agent 分配任务的时候，它就会自己调用 Knowhere 进行审核了，如果它发现某些数据对不上，还能顺着 Knowhere 提供的记忆图谱返回去重新查验证据，确保交出来的合同，每个数据都是可追溯、可查验的。 当然，不只是做法律行业的 agent ，像金融、医疗、企业内网等历史问题比较多，资料比较复杂的场景的 AI 应用，都可以用得上。无论历史文档有多么稀奇古怪、排版脏乱差，Knowhere 都能帮 AI 解析得井井有条，在节省 token 的同时，帮 AI 把活干好。 如果有在做 agent 开发的老哥，欢迎使用，我们现在已经开源了，大家多多评论反馈哈，我会及时改进的： https://github.com/Ontos-AI/knowhere
之前受益佬的acetool，现在codex又开始rg了，巨慢，有什么好的方案加快检索吗 4 个帖子 - 4 位参与者 阅读完整话题
用来给ai做上下文检索，配合rg，有佬试过吗？ yoanbernabeu/grepai：面向人工智能代理的语义搜索和调用图（100% 本地化） — yoanbernabeu/grepai: Semantic Search & Call Graphs for AI Agents (100% Local) BeaconBay/ck：面向人工智能和人类的本地优先语义混合 BM25 grep / 搜索工具！ — BeaconBay/ck: Local first semantic and hybrid BM25 grep / search tool for use by AI and humans! Ryandonofrio3/osgrep：面向 AI 代理的开源语义搜索 — Ryandonofrio3/osgrep: Open Source Semantic Search for your AI Agent 1 个帖子 - 1 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 github.com GitHub - future0923/logsearch: 日志检索 日志检索 Log Search LogSearch是一个低内存、高性能、渐进式检索工具。 为什么选择 LogSearch？ 内存占用极低 毫秒级检索响应 功能强大 实测 几M 内存即可检索超大日志文件并做到毫秒级响应 它适合这些场景： 开发测试环境没有条件上 elk，又不想命令检索。 在多份应用日志里快速找关键字。 搜索错误、链路 ID、订单号、用户 ID、类名、接口名。 用 AND / OR 组合条件缩小范围。 点开命中行，直接查看前后上下文。 日志持续写入时，索引自动更新。 支持多种压缩格式（gz、zst、bz2、xz等）搜索 支持 tail -f 实时查看日志 界面预览 搜索结果： 点击结果后查看上下文： 点击放大后查看更大的上下文区域： tail -f 方式查看 2 个帖子 - 2 位参与者 阅读完整话题
已经检索过一轮了，没有确切答案，请教佬友的经验 老板问我怎么开发能不能用gpt pro ，怎么保证数据隐私安全？ 我翻来覆去，目前我只开通了team /PLUS。看起来business网页端页面上是写着【OpenAI 不会使用工作空间数据来训练其模型。】。 但是第一个问题：codex 是不是也不会训练数据？ 第二个问题：我的数据还是上传到了服务器，它所谓的承诺也只是口头一说，你也没法验证。想问问各位大佬，如果是 重要的研发数据是不是不适合使用gpt来辅助开发？ 第三个问题：plus用户手动关闭掉那些隐私选项是不是也不会用于训练呢？ 7 个帖子 - 5 位参与者 阅读完整话题
因为需要梯子原因，谷歌云盘和相册，我在国内都没法用，而且就算了挂了梯子传输速度也是很可怜。 希望有个平替的相册App。 之前橘子系统自带相册感觉就挺好用的来着，可惜现在换手机了，自带相册太差连文字识别检索都没有。 1 个帖子 - 1 位参与者 阅读完整话题
AI Memory Hub 企业 AI 知识资产平台。自动采集、智能关联、随时复用。 员工和 AI 的每一次对话，都是企业的知识资产。 人走，知识留下。 [Github]( https://github.com/Vincent-chao-lang/AIHub ) https://aihub.dabuside.top/ 一、产品定位 AI Memory Hub 是一个企业级 AI 知识资产管理平台。它自动采集、整理、关联员工与 AI （ ChatGPT 、Claude 、DeepSeek 等）的所有高质量对话，将其转化为可检索、可关联、可复用的结构化知识资产，实现 **"人走，知识留下，价值继续"**。 二、企业为什么需要它 2.1 一个新问题的出现 2023 年开始，你的员工每天都在和 AI 对话： 研发 → ChatGPT 讨论架构方案 运维 → Claude 解决部署故障 产品 → DeepSeek 做竞品分析 设计 → Gemini 找设计灵感 运营 → Kimi 写内容策略 这些对话里藏着： · 技术决策的推演过程 · 故障排查的完整思路链 · 对业务的深度思考 · 反复验证过的最佳实践 2.2 一个老问题的新形式 传统离职交接： 员工写一份交接文档（如果有的话） → 只记录了"结论"，丢失了"思考过程" → AI 对话中的试错、推演、对比全部消失 → 新人面对同样问题，从零开始和 AI 聊 结果： 张三用 AI 花 3 天解决了部署问题，离职了。 李四入职遇到同样的故障，再花 3 天从零开始。 知识在，但不可见。 经验在，但无法复用。 2.3 量化损失 假设一个 50 人的技术团队，每人每天和 AI 进行 5 次有价值的对话： 日均知识产出： 50 × 5 = 250 条 AI 决策/推演记录 月均知识产出： 250 × 22 = 5,500 条 年均知识产出： 5,500 × 12 = 66,000 条 如果 80% 随员工流动而不可检索，每年损失： → 约 52,800 条有价值的知识碎片 → 无数可复用的决策链、故障排查路径、方案对比 每一片碎片背后，都是员工花时间与 AI 碰撞出的认知成果。 三、解决方案 3.1 一句话说清楚 员工用 AI 的同时，系统自动记录、理解、关联每一次对话，构建企业自有 AI 知识图谱。 人来，知识自动汇聚；人走，知识结构化管理，随时被新人检索和复用。 3.2 核心能力 ┌──────────────────────────────────────────────────────┐ │ 自动采集（零门槛） │ │ 浏览器扩展静默运行，员工正常使用 AI ，对话自动入库。 │ │ 不需要手动粘贴，不需要额外操作，不改变工作习惯。 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 智能理解（结构化） │ │ 每条对话 → 自动生成标题、标签、摘要 │ │ 跨平台语义搜索 → 用自然语言找到任何历史对话 │ │ 知识图谱 → 自动发现对话之间的深层关联 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 知识复用（价值闭环） │ │ 新人遇到问题 → 搜索关键词 → 看到前辈的完整 AI 决策链 │ │ AI 回答时 → 注入历史上下文 → 基于团队知识积累来回答 │ │ 团队知识 → 按人/按项目/按主题 → 随时检索和复用 │ └──────────────────────────────────────────────────────┘ 四、关键场景 场景 1：新人入职 传统方式： 新人花 2-4 周熟悉项目，遇到问题问同事或自己摸索和 AI 对话 → 其实前辈早就和 AI 深入讨论过同样的问题 AI Memory Hub： 新人搜索"微服务部署" → 看到： · 张三 3 个月前与 ChatGPT 的完整架构讨论 · 李四 1 个月前与 Claude 的故障排查全过程 · 系统自动生成的关联对话：CI/CD 配置、容器化方案 → 新人在 AI 提问时，注入前辈的上下文 → AI 基于团队已有认知来回答，而非从零开始 效果：新人上手速度 2x 提升，避免重复踩坑 场景 2：员工离职 传统方式： 张三离职 → 写交接文档 → 文档里的结论，丢失了 90% 的思考过程 → 那场"和 AI 反复讨论了 3 个小时才搞定的故障排查"彻底消失 AI Memory Hub： 张三的所有 AI 对话早已自动归档，按主题分类，图谱关联完整 → 李四搜索同一问题 → 直接看到张三当时的完整认知链 → 不只是结论，还有： · 张三问了什么 · AI 给了哪些方案 · 张三做了什么取舍 · 最终为什么选了方案 A 而不是 B 效果：知识保留率从 10% → 95%，真正的"人走知识留" 场景 3：跨部门经验复用 传统方式： 研发团队用 AI 解决了性能问题 运维团队可能永远不知道这个方案 → 遇到类似问题各自重新摸索 AI Memory Hub： 搜索"数据库性能" → 跨部门、跨平台、跨时间维度的所有相关对话汇聚一处 → 研发的架构思路 + 运维的实战经验 + 产品的业务视角 → 知识自动缝合，打破信息孤岛 效果：团队越用越聪明，知识自适应组织 场景 4：企业 AI 审计与合规 传统方式： 员工和 AI 聊了什么 → 无从知晓 是不是把内部代码贴给了 ChatGPT → 无法审查 大模型使用有没有合规风险 → 没法管理 AI Memory Hub： 所有 AI 对话完整记录，按人、平台、时间可检索 → 管理员可以看到：谁、在什么平台、讨论了什么话题 → 敏感信息自动标记（可配置关键词告警） → 满足企业对 AI 使用的审计和合规需求 效果：AI 使用透明化，安全与效率兼得 五、5 分钟跑起来 git clone https://github.com/Vincent-chao-lang/AIHub.git cd AIHub ./start.sh # 加载浏览器扩展 Chrome → chrome://extensions → 开发者模式 → 加载已解压 → 选择 extension/ 目录 # 打开任意 AI 平台 → 正常聊天 → 点击 🧠 图标 → 检索记忆 # 或访问 http://localhost:5173 → Web 面板 数据完全在本地。 不注册、不联网、不上传。你拥有全部数据。 六、 部署模式 模式 适合 配置 个人本地 个人使用 零配置， ./ start.sh 局域网共享 团队 5-50 人 改 host 为 0.0.0.0 Docker 标准化部署 docker-compose up HTTPS + 反向代理 远程团队 Nginx + Let's Encrypt 详细部署指南 → USAGE.md 七、 存储与扩展 默认 SQLite + ChromaDB + 本地 BGE 模型，零配置开箱即用。 随着团队规模增长，可平滑升级： SQLite + ChromaDB → PostgreSQL + pgvector → Milvus 零配置 改一行 .env 独立集群 < 10 万条 10-100 万条 > 100 万条 Embedding 模型同样支持一行配置切换： 本地 BGE-small （ 512 维） → BGE-large / 其他本地模型 → OpenAI / 智谱 API 默认 改模型名 改 EMBEDDING_PROVIDER 切换 embedding 后运行 python backend/ rebuild_index.py 即可全量重建向量索引。 详细升级路径 → docs/STORAGE.md 八、 项目结构 AIHub/ ├── start.sh # 一键启动 ├── backend/ # FastAPI + SQLite + ChromaDB │ ├── api/routes.py # 10 个 API 端点 │ ├── db/ # 数据库 + 向量存储（ ChromaDB/pgvector ） │ ├── models/ # 数据模型 │ └── services/ # embedding · 摘要 · 搜索 · 上下文生成 ├── extension/ # Chrome 扩展 (Manifest V3) │ ├── content/ # 5 平台 DOM 监听 │ ├── sidepanel/ # 侧边栏 UI + 逻辑 │ └── options/ # 设置页 ├── frontend/ # React + Vite + TypeScript + D3.js │ └── src/pages/ # 时间线 · 项目 · 上下文 · 图谱 └── landing/ # 营销页面（中英双语） 九、API 方法 路径 说明 POST /messages 上传消息（自动 embedding + 摘要） GET /timeline 时间线（按对话聚合，支持 ?user_id= 筛选） GET /conversations/{id} 对话详情 GET /conversations/{id}/related 相关对话推荐 POST /search 语义搜索（向量 + 关键词回退） POST /context 图谱驱动上下文生成（含 max_tokens 智能截断） GET /projects 项目聚合 GET /graph 知识图谱数据 GET /stats 统计（总数/平台分布/用户统计/向量索引数/embedding 信息） 十、 设计原则 自动采集 — 知识管理成本从"人"转移到"系统"，员工无需额外操作 本地优先 — 数据 100% 归你，也支持服务器部署 企业级扩展 — SQLite → PostgreSQL ，ChromaDB → pgvector ，随规模平滑升级 零摩擦接入 — 不改现有系统，不要求切换 AI 平台，不改变工作习惯 图谱驱动 — 关联发现用本地算法，不依赖外部 LLM ，零成本零延迟 团队即知识 — 同一套系统，一人用是外脑，团队用是知识库