Show HN: Reor – Um aplicativo de notas com IA que executa modelos localmente
Um projeto de código aberto chamado Reor pretende transformar coleções locais de notas em Markdown — especialmente vaults no estilo Obsidian — em uma base de conhecimento com IA ao executar modelos de linguagem inteiramente na máquina do usuário. Os comentaristas exploram casos de uso como busca semântica, descoberta de notas relacionadas e Q&A sobre notas pessoais de longo prazo, enquanto ponderam preocupações sobre dependência excessiva da IA para pensar, propriedade dos dados e interoperabilidade. Muitos elogiam a privacidade e a flexibilidade dos fluxos de trabalho em texto simples, mas relatam resultados mistos e problemas técnicos com modelos locais, além de demonstrar interesse em recursos como múltiplos vaults, plugins, suporte móvel e melhor tratamento de formatos como PDFs e front matter.
Visão geral do projeto e intenção
- Reor é um aplicativo de notas com IA, local-first e de código aberto, que opera em “vaults” Markdown.
- O foco está em privacidade, uso offline e interoperabilidade com outras ferramentas que usam arquivos simples.
- Vários კომენტadores veem isso como um protótipo de como o software desktop pode integrar LLMs locais.
Integração com ferramentas e formatos existentes
- Funciona em diretórios de arquivos Markdown; suporte a texto simples está planejado.
- Pode ser apontado para vaults existentes do Obsidian; opera 1:1 no sistema de arquivos e sincroniza mudanças via um vector DB.
- Usuários pedem:
- Plugin direto do Obsidian em vez de um aplicativo separado.
- Múltiplos vaults independentes / troca de contexto (já em PR).
- Melhor tratamento de YAML front matter e outlines no estilo Logseq (o comportamento atual pode corromper esses formatos).
- Importadores para OneNote, PDFs, favoritos/histórico do navegador.
O papel da IA na gestão do conhecimento
- Debate sobre se a organização assistida por IA melhora ou prejudica o pensamento:
- Preocupação de que transferir a organização para a IA possa enfraquecer o pensamento ativo e os modelos mentais pessoais.
- Contraponto: a IA pode revelar inspiração e conexões; é melhor usá-la de forma seletiva, não como muleta.
- Alguns argumentam que grafos pessoais de conhecimento devem ser organizados por humanos, com LLMs usados para descoberta e consultas.
Qualidade do modelo, prompts e RAG
- Experiências mistas com modelos locais:
- Q&A costuma ser útil para resumos e visões gerais, mas não confiável em detalhes; links de notas relacionadas podem ser fracos.
- Modelos menores de 7B muitas vezes parecem “burros demais”; modelos maiores (34B–70B, Mixtral) funcionam melhor, mas são pesados.
- Discussão de que o chunking não é o principal problema; o design de prompts e o ajuste fino são críticos, mas pouco enfatizados.
- Sugestões para usar modelos leves ajustados para sumarização e explorar vector/graph DBs e abordagens neuro-simbólicas.
Desempenho, hardware e estabilidade
- Relatos de crashes no Linux, travamentos da interface em Macs M1 e erros quando os vaults são grandes ou as janelas de contexto estouram.
- Alguns usuários têm bons resultados em Macs M1/M2 e GPUs RTX; outros consideram o uso apenas de CPU lento demais ou instável.
- Pedidos por requisitos de hardware mais claros e melhor uso de GPU.
Propriedade dos dados e modelo de armazenamento
- Forte apoio ao uso de arquivos Markdown simples em vez de bancos de dados pertencentes ao aplicativo, para evitar lock-in e permitir múltiplas ferramentas.
- Alguns argumentam que bancos de dados também podem ser compartilhados, mas filesystem-as-database é visto como mais simples e mais universal.