Show HN: Reor – Una app de notas con IA que ejecuta modelos localmente
Un proyecto de código abierto llamado Reor busca convertir colecciones locales de notas Markdown —especialmente vaults al estilo Obsidian— en una base de conocimiento aumentada con IA ejecutando modelos de lenguaje íntegramente en la máquina del usuario. Los comentaristas exploran casos de uso como búsqueda semántica, descubrimiento de notas relacionadas y Q&A sobre notas personales a largo plazo, mientras sopesan preocupaciones sobre la dependencia excesiva de la IA para pensar, la propiedad de los datos y la interoperabilidad. Muchos elogian la privacidad y flexibilidad de los flujos de trabajo de texto plano, pero reportan resultados mixtos y problemas técnicos con modelos locales, y muestran interés en funciones como múltiples vaults, plugins, soporte móvil y mejor manejo de formatos como PDFs y front matter.
Resumen e intención del proyecto
- Reor es una app de notas con IA, local-first y de código abierto, que funciona sobre “vaults” de Markdown.
- Enfatiza la privacidad, el uso sin conexión y la interoperabilidad con otras herramientas que usan archivos planos.
- Varios comentaristas lo ven como un prototipo de cómo el software de escritorio puede integrar LLMs locales.
Integración con herramientas y formatos existentes
- Funciona sobre directorios de archivos Markdown; el soporte para texto plano está planeado.
- Se puede apuntar a vaults existentes de Obsidian; opera 1:1 sobre el sistema de archivos y sincroniza cambios mediante una base de datos vectorial.
- Los usuarios solicitan:
- Plugin directo de Obsidian en lugar de una app separada.
- Múltiples vaults independientes / cambio de contexto (ya está en PR).
- Mejor manejo de YAML front matter y esquemas de estilo Logseq (el comportamiento actual puede corromperlos).
- Importadores para OneNote, PDFs, marcadores/historial del navegador.
El papel de la IA en la gestión del conocimiento
- Debate sobre si la organización asistida por IA mejora o perjudica el pensamiento:
- Preocupación de que delegar la organización en la IA pueda debilitar el pensamiento activo y los modelos mentales personales.
- Contraargumento: la IA puede sacar a la luz inspiración y conexiones; conviene usarla de forma selectiva, no como muleta.
- Algunos sostienen que los grafos de conocimiento personales deberían ser organizados por humanos, usando los LLM para descubrimiento y consultas.
Calidad del modelo, prompts y RAG
- Experiencias mixtas con modelos locales:
- El Q&A suele ser útil para resúmenes y panorámicas, pero no es fiable en detalles; los enlaces de notas relacionadas pueden ser débiles.
- Los modelos pequeños de 7B a menudo parecen “demasiado tontos”; los modelos más grandes (34B–70B, Mixtral) funcionan mejor pero son pesados.
- Se debate que el troceado no es el problema principal; el diseño del prompt y el ajuste son críticos, pero se les da poca importancia.
- Se sugieren modelos ligeros afinados para resumir, y explorar bases de datos vectoriales/de grafos y enfoques neuro-simbólicos.
Rendimiento, hardware y estabilidad
- Se reportan caídas en Linux, bloqueos de la interfaz en Macs M1 y errores cuando los vaults son grandes o se desbordan las ventanas de contexto.
- Algunos usuarios obtienen buenos resultados en Macs M1/M2 y GPUs RTX; otros consideran que solo CPU es demasiado lento o inestable.
- Hay llamados a requisitos de hardware más claros y a un mejor aprovechamiento de la GPU.
Propiedad de los datos y modelo de almacenamiento
- Fuerte apoyo a usar archivos Markdown planos en lugar de bases de datos propiedad de la app para evitar el bloqueo del proveedor y permitir múltiples herramientas.
- Algunos argumentan que las bases de datos también pueden compartirse, pero filesystem-as-database se considera más simple y más universal.