AI 个人知识库（Local RAG）

AI 驱动个人知识库（Local RAG）是什么？

很多人希望拥有“chat with docs”这类体验，但并不想把个人 PDF、私密笔记、内部导出或学习材料丢进托管式 AI 工作台。真正的顾虑不只是模型质量，还包括源文件存放在哪里、索引是否能跨会话保留，以及用户能不能看到到底是哪几段内容支撑了回答。

AI-Powered Personal Knowledge Base 把这套流程留在浏览器里。它会在本地解析文档、用 LangChain 做 chunk 切分、把索引保存在 IndexedDB 里、为每个问题检索最相关的段落，再在设备上生成本地答案，因此源文件不需要上传到应用服务器。

托管式文档对话很方便，但对个人材料往往暴露过多

合同 PDF、私密笔记、内部摘要和研究资料，往往正是用户最想进行问答的内容，但同时又是最不愿上传到托管 AI 工作区的内容。

手动翻找长文件很慢，尤其当答案分散在多个章节而不是藏在一个明显段落里时。

用户还需要持续性。如果每次重新打开 route 都得重建一次临时索引，再好的流程也会变得重复而笨重。

当目标是在设备上保留私人资料、同时又想更轻松地提问并检查证据时，浏览器侧 local RAG 就很有意义。

本地切块、本地存储、本地检索、本地回答

这个工具会在浏览器里直接建立个人知识库。它解析支持的文件，把内容拆成可检索 chunk，生成本地嵌入，并把索引保存在 IndexedDB 中，方便同一台设备后续继续使用。

当你提问时，浏览器会先对问题做嵌入、排序最相关的本地 chunk，再把这些段落送进本地答案生成步骤，而不是交给托管文档问答后端。

回答会同时展示被检索到的 source chunk，方便你复核系统到底依据了哪些内容。

如何使用AI 驱动个人知识库（Local RAG）

1. 1导入文档 - 加入 PDF、Markdown 笔记或文本文件，作为之后想反复查询的私密资料。
2. 2建立本地索引 - 让 route 解析文件、切分 chunk、生成嵌入并把知识库存入 IndexedDB。
3. 3提出具体问题 - 尽量用明确且聚焦的问题，而不是过于宽泛的主题式 prompt。
4. 4查看回答与来源 - 阅读本地答案，并核对被检索到的 chunk、文件名及页码。
5. 5之后继续使用 - 在同一台设备上重新打开 route，继续使用已保存的知识库和本地对话。

主要功能

• 免费使用
• 无需登录
• 浏览器内处理更安全
• 即时结果
• 简单易用

优势

• 节省时间，提高效率
• 保护隐私，数据不外泄
• 多设备可用
• 无需安装软件

使用场景

技巧与常见错误

知识要点

• 浏览器侧 RAG 仍然强烈依赖文本提取质量。如果文档提取出来的文字本身就很脏，检索质量会先掉下来，之后回答模型再强也很难补救。
• Chunk 切分很关键，因为系统并不是一次性理解整份 PDF，而是先在本地索引里搜索小段内容，再基于这些段落来回答。
• IndexedDB 持久化让 route 更适合重复使用，但它并不等于跨设备同步或共享云存储。
• 高质量的本地 RAG 往往来自具体问题和可落到段落的查询，而不是过于宽泛的聊天提示。

常见问题

相关工具