痛点：收藏了 800 篇，要用的时候一篇都找不到

微信收藏、浏览器书签、Notion 剪藏、下载文件夹里的 PDF、截图、公众号文章……粗略统计超过 800 条。每次心血来潮整理，结果都是把 A 文件夹的东西挪到 B 文件夹，标签从「待看」改成「重要待看」，然后再也没打开过。

真正让我崩溃的是上个月做竞品调研。我明明记得三个月前存过一份对手的产品白皮书，翻遍了三个网盘、两个笔记软件、微信收藏，花了四十分钟，最后是在一个叫「新建文件夹(2)」的目录里找到的——文件名叫 

那一刻我意识到问题不在"整理"，而在

：我一直在用文件名和记忆去找东西，但人对资料的记忆本来就是模糊的，只记得"大概讲过某个观点"，记不住它存在哪、叫什么名字。

别整理了，让资料能被"问"出来。

三种现成方案，先说清楚各自适合谁

在动手自建之前，我把市面上主流的三种方案都认真用了一遍，各有各的适用边界。

 —— 上手最快，体验最好。丢进去十几份 PDF，直接生成播客式对话、思维导图、FAQ。缺点是资料必须上传到 Google，中文长文档的切片质量一般，而且它是个封闭系统，你没法把检索结果接到自己的工作流里。适合：快速吃透一份陌生资料，用完即走。

 —— 最省心。开个对话，把 PDF 全部贴进去，直接问。200K 上下文大概能塞下一本中等厚度的书，准确率很高。缺点是每次新对话都要重新传一遍，成本按 token 算，资料一多就肉疼，而且没有"出处回溯"，它给你答案但你不知道来自哪一页。适合：一次性深度阅读几十份文档的场合。

 —— 擅长联网检索，不擅长你的私有资料。它的 Spaces 能上传文件，但检索粒度粗，中文 PDF 表现不稳定。适合：公开信息调研，不适合做私人知识库。

你的资料躺在别人的服务器上，且检索结果接不回你的日常工具链

。我想要的是一个本地的、能长期增量更新的、能被其他自动化脚本调用的"顾问"。

文档入库 → 语义检索 → AI 回答并附出处


模块一：文档入库（把 PDF/Markdown/网页变成纯文本块）

。我最早按固定 1000 字切，结果经常把一段完整论述拦腰截断，检索出来的片段读不通。后来改成按语义段落切，每块 300~600 字，相邻块之间保留 80 字重叠——这样即使命中在边界上，上下文也还是完整的。

一份 40 页的 PDF 大概切成 60~80 块，每块带上元信息：来源文件名、页码、章节标题。

模块二：语义检索（不用关键词，用向量）

关键词检索解决不了"我记得它讲过用 OCR 处理扫描件"这种模糊描述——因为原文里可能根本没出现"OCR"三个字，写的是"图像识别后提取文字"。语义检索把每块文本转成向量，查询时也把问题转成向量，比的是"意思接不近"，不是"字一不一样"。

本地跑的话，嵌入模型用开源的小尺寸模型就够（几百 MB，CPU 能跑），向量库存 SQLite 或者专门的向量库都行，几千块文本的规模完全没压力。

模块三：AI 回答并附出处（这一步是灵魂）

检索出 Top-5 相关块之后，把它们连同问题一起丢给大模型，用下面这个 Prompt 约束输出：

你是我的个人知识库助手。下面是从我的资料库中检索到的 5 个片段，
每个片段带有 [来源: 文件名 P页码] 标记。

请只基于这些片段回答我的问题，遵守以下规则：
1. 每个结论后面必须紧跟 [来源: 文件名 P页码]
2. 片段中没有的信息，直接说"资料里没有提到"，不许用你自己的知识补充
3. 如果片段之间有冲突，把冲突原样列出，不要替我调和
4. 回答用中文，口语化，不超过 300 字

问题：{question}

片段：
{chunks}


第 2 条和第 3 条是我踩坑后加的。早期版本没有这两句，模型会非常贴心地"补全"我没存过的东西，看起来很专业，实际上是编的——知识库最怕的就是这个，你分不清哪句是你的资料、哪句是它自己编的。

要求它必须标出处，还有一个附加好处

：你能一眼看出它到底检索准不准。如果附的来源牛头不对马嘴，说明是分块或嵌入的问题，而不是模型的问题，排查方向就很清楚。

具体怎么搭（可复制的最小实现）

不想一上来就搞个大工程的话，最小可用版本只需要三步：

1. 建一个资料目录，统一丢文件

knowledge/
  ├── raw/           # 原始 PDF、Markdown、网页导出
  ├── chunks.jsonl   # 切块后的文本
  └── vectors.db     # 向量库


# 遍历 raw/ 下所有文件，切块 + 生成向量 + 写库
node ingest.js ./knowledge/raw


脚本做的事：识别文件类型 → 提取文本 → 按语义段落切块 → 逐块生成嵌入 → 写入向量库 → 记录 

（下次只处理新增的，增量更新）。

node ask.js "对手的定价策略是怎么分层的？"
# → 输出答案 + [来源: 竞品白皮书.pdf P23] [来源: 行业报告2026Q2.md]


整个链路跑通之后，我把它挂成了定时任务：每天凌晨扫一遍 

 目录，新文件自动入库。也就是说，

我唯一需要做的就是把文件丢进文件夹，剩下的全自动

这是最容易被忽略、也最容易让人误以为"方案不行"的一个坑。

很多 PDF 尤其是扫描件、截图转的 PDF，用常规解析库提取出来是

——因为它本质是一张图片，里面根本没有文本层。我第一次入库 200 份资料，有 30 多份解析出来是空的，而且脚本不报错，静悄悄地就跳过去了。等到检索的时候才发现"明明存了就是搜不到"。

解决办法很简单，入库前加一道检测：

提取文本后看长度，低于阈值（比如每页 50 字）就判定为扫描件，先走 OCR 再入库

。OCR 用开源引擎本地跑就行，一页几百毫秒，批量处理完全可以接受。

现在我的库里有 620 份资料、约 3.8 万个文本块。

之前那次竞品调研，同样的需求，我从四十分钟翻找变成了

，而且答案后面跟着三个来源标注，点开就能核对原文。

更意外的是"意外发现"的价值。有一次我问"我们的产品在处理大文件时有什么已知问题"，它给出的答案里引用了一份半年前的会议纪要和一个完全被我遗忘的技术博客——这两份资料如果靠人去翻，一辈子都想不起来要打开它们。资料之间产生了关联，这是文件夹式整理永远做不到的。

代价也要说清楚：入库 620 份资料花了一次性约 6 小时（主要是 OCR），之后每天增量更新不到 1 分钟；检索加回答的响应在 5~10 秒，比不上搜索引擎，但比翻文件夹快两个数量级。

能回答问题的资料才叫知识，否则只是一堆占空间的字节

本文是「WorkBuddy 实战笔记」系列之一，记录每天一个真实跑通的自动化场景。

我建了个「第二大脑」：把散落的文章 PDF 变成会对话的知识库

本文记录一个真实跑通的自动化场景：把散落的文章与 PDF 入库，做成本地、可增量更新、能附出处回答问题的个人知识库。

开发工具

人工智能

算法

构建个人知识库的完整实战指南：通过文档语义切块、向量检索和AI问答三模块组合，解决收藏资料检索难题。系统支持PDF/Markdown自动入库、OCR扫描件处理、增量更新，回答自动附来源标注。620份资料实测检索从40分钟降至8秒，还能发现资料间隐藏关联。适合收藏超800条、受困于文件管理的知识工作者。

图像识别

服务器

WorkBuddy 

SQLite

2026上云采购 | AI焕新·智启新局

workbuddy

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

我建了个「第二大脑」：把散落的文章 PDF 变成会对话的知识库

我建了个「第二大脑」：把散落的文章 PDF 变成会对话的知识库

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐