Show HN：Reor – 一款在本地运行模型的 AI 笔记应用
一个名为 Reor 的开源项目，旨在将本地 Markdown 笔记集合——尤其是 Obsidian 风格的 vaults——变成一个 AI 增强的知识库，方法是在用户机器上完全运行语言模型。评论者讨论了语义搜索、相关笔记发现以及对长期个人笔记进行问答等用例，同时权衡对思考过度依赖 AI、数据所有权和互操作性的担忧。许多人赞赏纯文本工作流带来的隐私与灵活性，但也报告了本地模型效果参差不齐和技术问题，并对多个 vault、插件、移动端支持，以及更好地处理 PDF 和 front matter 等格式的功能表示兴趣。
项目概览与目标
- Reor 是一款本地优先、开源的 AI 笔记应用，运行在 Markdown “vaults” 上。
- 强调隐私、离线使用，以及与其他使用纯文件的工具之间的互操作性。
- 一些评论者认为它是桌面软件如何集成本地 LLM 的原型。
与现有工具和格式的集成
- 可用于包含 Markdown 文件的目录；计划支持纯文本。
- 可以指向现有的 Obsidian vault；在文件系统上按 1:1 方式运行，并通过向量数据库同步更改。
- 用户请求包括：
- 直接提供 Obsidian 插件，而不是独立应用。
- 多个独立 vault / 上下文切换（PR 中已存在）。
- 更好地处理 YAML front matter 和 Logseq 风格的大纲（当前行为可能会破坏这些内容）。
- 为 OneNote、PDF、浏览器书签/历史记录提供导入器。
AI 在知识管理中的角色
- 关于 AI 辅助组织是否会改善或损害思考存在争论：
- 担忧将组织工作外包给 AI 可能削弱主动思考和个人心智模型。
- 反方观点：AI 可以激发灵感并发现关联；最好选择性使用，而不是当作依赖。
- 一些人认为个人知识图谱应由人来组织，LLM 仅用于发现和查询。
模型质量、提示词与 RAG
- 对本地模型的体验褒贬不一：
- 问答通常对摘要和概览有帮助，但在具体细节上不可靠；关联笔记链接也可能较弱。
- 较小的 7B 模型常常感觉“太笨”；更大的模型（34B–70B、Mixtral）效果更好，但开销很大。
- 讨论认为分块并不是主要问题；提示词设计和调优至关重要，但常被低估。
- 建议使用针对摘要微调的轻量模型，并探索向量/图数据库和神经符号方法。
性能、硬件与稳定性
- 有报告称 Linux 上会崩溃、M1 Mac 上 UI 卡死，以及 vault 较大或上下文窗口溢出时会报错。
- 一些用户在 M1/M2 Mac 和 RTX GPU 上效果很好；另一些人则发现仅 CPU 运行太慢或不稳定。
- 有人呼吁更明确的硬件需求说明以及更好的 GPU 利用率。
数据所有权与存储模型
- 强烈支持使用纯 Markdown 文件，而不是应用自有数据库，以避免锁定并支持多个工具。
- 也有人认为数据库同样可以共享，但“文件系统即数据库”被认为更简单，也更通用。