核心用法
Knowledge Base (RAG) 是一套轻量级本地知识管理系统，采用 SQLite + 向量嵌入实现检索增强生成（RAG）架构。用户通过 CLI 工具将文本、URL 或文件导入知识库（ingest.py），系统自动生成嵌入向量并存储；查询时（query.py）基于语义相似度返回相关上下文，而非关键词匹配。核心引擎 kb.py 提供统计、搜索等管理功能，数据持久化于本地 SQLite 数据库。
显著优点
- 完全本地化：数据存储于本地 SQLite，隐私可控，无需依赖云端服务
- 语义检索：基于嵌入向量的相似度搜索，支持模糊匹配和概念关联
- 轻量易用：Python CLI 工具链，无需复杂部署，适合技术用户快速上手
- 多模态输入：支持纯文本、文件、URL 等多种内容形式
- Agent 友好：提供标准化接口，便于 AI Agent 集成作为上下文记忆
潜在缺点与局限性
- 依赖外部 API：嵌入生成需要 Anthropic 或 OpenAI 的 API Key，产生调用成本和网络依赖
- 无内置分块策略：长文档需手动处理或依赖简单实现，影响检索精度
- 缺乏权限管理：单用户设计，无多租户或访问控制机制
- 界面简陋：纯 CLI 交互，无 GUI 或 Web 界面，非技术用户门槛较高
- 可扩展性存疑：SQLite 适合个人级数据量，大规模场景需迁移方案
适合人群
- 需要本地化知识管理的开发者、研究人员、知识工作者
- 构建个人 AI 工作流、希望为 Agent 提供长期记忆的技术用户
- 对数据隐私敏感、不愿将笔记上传云端服务的用户
- 熟悉 Python CLI 环境、具备 API Key 管理能力的进阶用户
常规风险
- API Key 泄露风险：脚本环境需妥善保管密钥，避免硬编码提交至版本控制
- 数据完整性：SQLite 单文件结构，需定期备份防止损坏
- 嵌入成本累积：大量文档摄入可能产生显著的 API 调用费用
- 语义漂移：依赖通用嵌入模型，专业领域术语可能检索效果不佳
- 无加密机制：本地数据库文件明文存储，设备丢失存在泄露风险