Reor 如何通过本地模型构建 AI 个人知识管理应用？

Reor 是一款本地优先的 AI 笔记应用，它把一个普通 Markdown 目录变成可编辑、可语义搜索、可自动关联和可问答的个人知识库。每篇笔记会被分块并嵌入 LanceDB，编辑器侧边栏根据向量相似度推荐相关笔记，问答模式则把召回片段交给本地或兼容模型生成回答。

先了解当前维护状态

Reor 官方仓库已经在 2026 年 3 月归档为只读，最后公开版本线为 0.2.x。现有安装包和源代码仍可研究或使用，但不能预期持续安全更新、兼容新系统或及时修复问题。

把它用于长期知识库前，应保留 Markdown 原文件备份，并把迁移能力作为首要条件。归档项目不适合承载唯一副本。

它如何形成“自组织”知识库

1. 用户在选定目录中创建或导入 Markdown 笔记。
2. Reor 监控文件变化并把正文切成片段。
3. Transformers.js 在本机生成嵌入。
4. LanceDB 保存向量和笔记定位信息。
5. 相似笔记按向量距离自动出现在侧边栏。
6. 问答时检索相关片段，并交给配置的 LLM。

这里的“自动关联”是语义相似度结果，不是人工维护的严格知识图谱。相似不代表存在因果、引用或上下位关系。

安装与工作目录

官方曾为 macOS、Linux 和 Windows 提供安装包。首次启动时需要选择一个文件系统目录，Reor 只围绕该目录工作。

迁移 Obsidian 或其他笔记时，直接把 Markdown 文件放入这个目录即可。README 提醒 YAML frontmatter 可能无法正确解析，因此应先复制少量样本测试，不要直接移动原库。

配置本地 Ollama 模型

Reor 可以直接连接 Ollama。在设置中选择添加本地 LLM，填写或选择已经下载的模型。模型规模应与设备内存匹配，小型量化模型更适合普通笔记本电脑。

建议先在终端确认 Ollama 正常：

ollama list
ollama run 你的模型名称

随后在 Reor 中创建一条无敏感测试笔记，并运行一次问答。若只配置了聊天模型但嵌入索引未完成，语义搜索仍可能不可用。

本地模型与兼容 API 的差异

模式	数据路径	主要代价
本机 Ollama	检索片段送到本机模型	占用内存、CPU 或显存
局域网兼容服务	片段发送到自管服务器	需要网络隔离与访问控制
云端兼容 API	片段发送给第三方	隐私、费用与保留策略

Reor 允许连接 OpenAI 兼容端点，因此“应用本地存储”不能自动推导出“问答内容从不离开设备”。

导入现有 Markdown 笔记

先复制而不是移动现有笔记库，并分批导入。每批完成后检查：

• 文件名和正文是否正常显示。
• 内部链接与附件路径是否仍有效。
• frontmatter 是否被错误显示或忽略。
• 中文、代码块和特殊字符是否乱码。
• 向量索引是否完成且没有重复条目。

Reor 的核心来源是磁盘上的 Markdown 文件，保持目录结构简单有利于后续迁出。

利用相关笔记侧边栏

编辑某篇笔记时，相关笔记侧边栏会检索语义相近的内容。这种交互把人也视为知识生成者：模型负责召回，用户负责判断联系并在正文中形成明确链接。

不要把侧边栏推荐全部自动写回笔记。先确认两篇内容之间的真实关系，再添加双向链接、标签或解释文字。

使用 RAG 问答

问答模式先在笔记库中检索相关片段，再把这些上下文交给 LLM。有效问题应限定范围并要求指出使用了哪些笔记，例如询问某个项目决策的演变、两个读书笔记的共同观点或某主题的未解决问题。

测试时加入一个知识库中不存在的问题。若模型仍给出确定答案，说明需要收紧提示词或人工检查召回上下文。

如何验证语义搜索

1. 用原文独有词语搜索，检查精确内容能否出现。
2. 用同义表达搜索，检查向量召回能力。
3. 加入主题相近但结论不同的笔记，观察排序。
4. 修改一篇笔记后确认索引会更新。
5. 删除笔记后确认旧向量不会继续命中。

搜索结果相关不等于回答正确。最终结论仍应回到 Markdown 原文。

从源码运行的注意事项

项目基于 Electron、React、TypeScript、Transformers.js、LanceDB 和 Ollama。源码开发基本流程为：

git clone 项目仓库地址
cd reor
npm install
npm run dev

构建脚本还会下载 Ollama 相关资源。由于仓库已经归档，现代 Node、Electron 或原生 LanceDB 依赖可能与旧锁文件不兼容，遇到问题应优先复现原版本环境。

隐私和遥测检查

项目目标是本地优先，但依赖清单包含 Sentry 和 PostHog 等遥测相关包。是否启用、发送哪些事件应以实际构建配置和网络观察为准，不能只看产品口号。

• 使用防火墙或代理日志观察首次启动与日常使用的外连。
• 检查本地设置中是否有遥测开关。
• 确认远端模型端点的数据政策。
• 为笔记目录和向量库启用磁盘加密。

归档项目的迁移策略

Reor 的优势是笔记以 Markdown 文件保存，这为迁移保留了基础。建议定期备份整个工作目录，并另外导出模型与索引配置清单。

迁移到其他工具时，优先保留 Markdown 正文、附件和显式链接；向量索引通常应在新工具中重新生成，而不是直接复制 LanceDB 数据。

使用前验收表

环节	通过标准
文件	Markdown 原件可被其他编辑器直接打开
嵌入	新增、修改和删除都会正确更新索引
关联	相关推荐具有可解释的主题联系
问答	结论能回到具体笔记片段
隐私	明确模型与遥测的网络路径
备份	可从 Markdown 副本恢复核心知识

Reor 展示了本地模型个人知识管理的一种清晰设计：人写 Markdown，向量检索帮助发现联系，LLM 基于召回内容回答。由于项目已经归档，最稳妥的使用方式是把它当作可迁移的本地实验工具，并始终让 Markdown 原文件成为知识的权威副本。