读你的文档。信每一个回答。
一个本地优先的桌面工作台，用来阅读和追问你自己的资料。每个回答都带着它来自的片段， 检索在你的机器上完成 —— 不在别人的云里。
Windows x64 · macOS Apple Silicon · 未签名，首次启动一次提示
本地优先
文档、笔记本和嵌入都留在你的机器上 —— 嵌入模型在应用内运行，所以检索离线可用。
可追溯
每个回答都保留它依据的原文片段，以及片段在文档中的位置。
轻量
下载、打开、开始阅读。不需要 Docker，不需要服务器，不需要账号。
可以核对的回答
引用只有在能落到某处时才有价值。指向标记，线索会回到回答背后的片段。
handbook.pdf 第 14 页
- 01检索质量是整个流程的属性，而不只是向量库的。一个从句子中间
- 02切开的片段，检索效果差，引用起来更糟，无论怎样调优排序这一步，
- 03都补不回切分所破坏的语义。而保留文档原有的边界，
- 04在导入时几乎不花什么成本。
回答
切分才是检索质量真正被决定的地方。从句子中间切开的片段既难检索也难引用，所以修复应该在导入时完成.
片段记录了它在抽取文本中的起止位置，所以引用指向的是片段，而不是整个文件。
提问变成知识
一本笔记本先积累问题，再积累答案。打开一条，看到回答依据什么、背后的片段，以及你的结论。
检索质量为什么会下降？
回答
因为片段的边界在检索开始之前就已经决定了。一个落在句子中间的切分，会同时误导检索和所有从它摘出来的引用。
来源
- handbook.pdf
- survey-2024.pdf
- notes-week-3.docx
- draft-methods.pdf
原文中的片段
一个从句子中间切开的片段，检索效果差，引用起来更糟，调优排序这一步也补不回切分破坏的语义。
笔记
边界是导入时的决定，不是排序时的决定。
稠密检索，还是 BM25？
回答
两份材料都支持：语义类查询用稠密检索更好，而查询中出现稀有词时 BM25 有竞争力。分歧主要来自语料本身。
来源
- survey-2024.pdf
- benchmark-notes.pdf
- course-reader.pdf
- slides-w7.pptx
- blog-post.html
- draft-methods.pdf
原文中的片段
在域外划分上，混合打分补回了大部分差距，这说明稠密部分承载语义，稀疏部分承载稀有词。
笔记
在同一份语料上比较两者。两份语料不算比较。
注意力开销如何随序列长度增长？
回答
在序列维度上是平方增长。这里每份材料都把它当作要绕开的约束，所以真正的工作是找什么东西替代完整的注意力矩阵。
来源
- attention-paper.pdf
- efficient-transformers.pdf
- course-reader.pdf
原文中的片段
注意力操作的开销随序列长度的平方增长，因此实际的天花板由内存而不是算力决定。
笔记
天花板是内存。这会改写整个效率方向的读法。
什么样的证据会让我改变看法？
回答
在同一份语料上，稀疏基线追平混合方案；或者去掉稀有词查询后混合结果依然成立。这本笔记本里都没有。
来源
- draft-methods.pdf
- survey-2024.pdf
- notes-week-3.docx
- benchmark-notes.pdf
- rebuttal.pdf
原文中的片段
消融稀疏部分后，总体分数只差两个点，但按查询的细分结果没有报告。
笔记
总体分数会把这件事盖住。看到小的改动，就索要按查询的表格。
这些论文有哪些共同的方法？
回答
四篇里有三篇共享同一个早期池化步骤，之后才分叉。第四篇结构上不同，所以它的数字不能直接比较。
来源
- survey-2024.pdf
- attention-paper.pdf
- efficient-transformers.pdf
- benchmark-notes.pdf
原文中的片段
三篇都在任何打分之前先得到定宽表示，所以它们的差异在于之后做了什么，而不是输入如何被读取。
笔记
那个不一样的最值得单独读。
本模块为示意，内容为本页撰写。
从文档到笔记
- 放入你的资料每种格式都有自己的解析器，页面和幻灯片结构得以保留。pdf · docx · pptx · http
- 提问用你自己的话。检索是多语言的。仅限你的笔记本
- 核对证据每个回答都指回它依据的片段。引用 → 片段
- 积累笔记你的结论就留在资料旁边。结构化 · 本地
配合你选择的模型
没有内置的对话模型，也没有我们的账号。添加任何兼容 OpenAI、Anthropic 或 Google 的端点，或像 Ollama 这样的本地服务。凭据留在磁盘上；检索不需要模型。
- OpenAI端点
- Gemini端点
- Claude端点
- DeepSeek端点
- Ollama本地服务
- Any compatible端点
- 内置本地嵌入模型随应用提供
- model
- multilingual-e5-small
- revision
- 761b726d
- dtype
- q8
- dims
- 384
公开构建
仓库就是项目本身。下列数字直接读自仓库。
- 星标
- 1,101
- 复刻
- 147
- 待处理问题
- 25
- 许可证
- GPL-3.0
每个 issue、pull request 和 release 都是公开的。 还没发布的部分写在下载页。