PandaWiki 详解:大模型时代的内容管理系统
PandaWiki 详解:大模型时代的内容管理系统搭一个企业知识站,传统方案是 Wiki 系统 + 搜索引擎 + 人工维护,内容一多检索就失灵,更别提让访客"直接提问"。长亭科技开源的 chaitin/PandaWiki(PandaWiki)给出了另一种答案:一个由大模型驱动的开源知识库与 Wiki 系统,写好的内容自动向量化、自动可问答,访客既能像传统 Wiki 一样浏览,也能直接向 AI 提问
# 标签
共 9 篇文章
PandaWiki 详解:大模型时代的内容管理系统搭一个企业知识站,传统方案是 Wiki 系统 + 搜索引擎 + 人工维护,内容一多检索就失灵,更别提让访客"直接提问"。长亭科技开源的 chaitin/PandaWiki(PandaWiki)给出了另一种答案:一个由大模型驱动的开源知识库与 Wiki 系统,写好的内容自动向量化、自动可问答,访客既能像传统 Wiki 一样浏览,也能直接向 AI 提问
LlamaIndex 详解:构建 RAG 与代理应用的数据框架让大模型用上私有数据(文档、数据库、API),最成熟的路径就是 RAG;而把"接入数据、建索引、检索问答、编排代理"这套流程做成框架的,正是 run-llama/llama_index(LlamaIndex)。它是一个开源的数据框架,约 51.8k Star、MIT 协议,官方定位已从"LLM 应用的数据框架"演进到"构建代理应用(ag
WeKnora:腾讯开源的企业级知识库引擎企业里最痛的知识管理现状是:文档躺在飞书、Notion、语雀、本地 PDF 里"沉睡"——查不到、问不了、更不会自我生长。腾讯(微信团队)开源的 WeKnora 给出的答案是把它变成"活知识"(Living Knowledge):官方口号 "Turn Documents into Living Knowledge with RAG, Agents and
Code-Graph-RAG:用知识图谱重构代码 RAG理解一个陌生的大型代码库是开发者的日常痛点——接手几万行的项目,光搞清"这个函数被谁调用""数据怎么流转"就要花几天。传统代码 RAG 把代码当文本切片 + 向量检索,在跨文件的"调用关系""数据流"问题上力不从心,因为它不懂代码结构。Code-Graph-RAG(命令 cgr)换了个思路:用 Tree-sitter 把代码解析成 AST,把
Docs2KG 详解:人机协同的异构文档知识图谱构建前面介绍了三个知识图谱工具——Graphify(代码库)、ai-knowledge-graph(纯文本)、Knowledge Graph Extractor(自托管)。它们各有侧重,但都有一个共同短板:LLM 自动提取完就结束了,没有人工审核和迭代闭环。提取错了怎么办?漏了实体怎么办?关系标错了怎么办?Docs2KG(AI4WA 团队,371 S
AI 知识图谱生成器详解:从非结构化文本到可视化图谱你有一堆文档(论文、报告、笔记、文章),想快速搞清其中的"谁和谁有关系、什么导致了什么、谁属于哪一类"——手动阅读提炼太慢,交给 LLM 又只给你一段总结文字。Robert McDermott 开源的 ai-knowledge-graph 恰好解决这个痛点:它用 LLM 从非结构化文本中自动提取"主-谓-宾"三元组(SPO triplets),然
Knowledge Graph Extractor 详解:单卡自托管的知识图谱生成器前面介绍了 Graphify(代码库图谱)和 ai-knowledge-graph(文本图谱),它们都依赖外部 LLM API(Claude / GPT / Ollama)。但如果你想完全自托管——不调任何云 API、数据不出域、一张 GPU 就能跑——Knowledge Graph Extractor(Han X
Graphify 详解:把整个代码库变成可查询的知识图谱理解一个大型代码库有多痛苦?几万行代码、几十个模块、数百个文件,新人入职两周还在"这个函数在哪调用、这个模块依赖谁"里挣扎。Graphify(GitHub 近 95k Star,2026 年最火的开发者工具之一)就是来终结这个痛苦的——它把任何代码库(含文档、SQL、PDF、截图)自动转成一个可查询的知识图谱,每条关系都标注"确定的/推理的/
Obsidian 详细教程:构建你的本地知识库Obsidian 是一款本地优先(local-first)的知识管理与笔记应用。它把每一条笔记保存为普通的 Markdown 文件,存放在你自己的文件夹里,再通过双向链接与知识图谱把这些零散笔记编织成一张属于你自己的"第二大脑"。与依赖云端的 Notion、印象笔记不同,Obsidian 让数据始终掌握在自己手中——即使有天软件消失,那些纯文本笔记依然