今天给大家分享一个好玩的搭建个人 AI RAG 知识库每个月续费的时候我都会犹豫一下。打开账单那个 AI 知识库会员又扣了三百多块。不多但每次看到这笔钱我心里都会冒出一个念头这个月我打开过它几次答案是不超过三次。而且其中两次搜出来的东西说实话不太对。这就是我退订所有 AI 知识库的开始。四个让我忍不下去的理由先说清楚我不是一开始就觉得商业 AI 知识库不好。正相反第一年用的时候我觉得这东西真方便——把笔记、文档、网页一股脑扔进去想用的时候搜一下AI 帮你整理好答案。那种有个 AI 助理帮我打理所有知识的感觉确实很爽。但用久了问题一个个冒出来。而且最让我不舒服的是这些问题不是我要求太高是产品本身就不把用户的长期利益当回事。第一个价格。单个产品月费 200 到 400 块不等一年下来两三千。这还不是最贵的——有些企业版报价直接四位数一个月。作为一个自己掏钱的独立开发者这笔账我算过一年订阅费够我买三年的云服务器。如果真的好用这个价格我也认了。问题是——第二个内容不可控。你不能真正拥有自己的笔记。想改一篇已上传的文章不行只能删了重新传。想批量导出大部分产品只给 Markdown 导出但格式乱七八糟链接全断。有一次我想把 60 多篇笔记迁到另一个平台折腾了一整个下午——导出来之后发现所有 internal link 都变成了死链图片全丢。更让人难受的是你没法定制内容方向。知识库的质量完全取决于你往里扔了什么但 AI 怎么理解这些内容、怎么分块、怎么检索——全是黑盒。你花了钱存了数据但你对自己的知识是怎么被处理的一无所知。这就引出了第三个问题。第三个检索质量你完全没法干预。大多数商业产品不会告诉你背后用的什么 embedding 模型、什么分块策略、多少 chunk size。我问过一家产品的客服你们的分块策略是怎样的是按段落还是按 token 数等了三天回复是我们的 AI 会自动选择最优策略。翻译一下你不需要知道你也没法改。对一个做了十几年后端的工程师来说这种相信我就行了的回答比直接说我们还没做到更让我焦虑。第四个也是最让我下决心的——数据出境。我有一批笔记涉及企业内部架构文档。虽然脱敏了但你不知道它上传到海外服务器之后会不会被用于模型训练会不会被第三方访问。很多商业 AI 知识库产品的服务部署在美国或者新加坡国内没有节点。我查了四五家主流产品的隐私政策措辞几乎同出一辙我们会使用上传内容来改进服务。什么叫改进服务是不是拿去训练模型了不会把你的数据混进别人的查询结果里吗这些问题他们不会正面回答。更实际的问题是合规团队明确说过企业内网相关内容禁止上传到境外 SaaS 服务。我有很多笔记虽然在技术上做了脱敏但架构图、技术方案、性能数据——这些东西放在别人的服务器上心里那道坎过不去。这条红线一划基本上断了我继续付费的念头。不是因为技术炫是实在忍不了说实话自己做知识库这件事一开始我也觉得麻烦。向量数据库、embedding 模型、分块策略、检索管道——光这些名词列出来就够你折腾一个周末。但后来我想通了一件事我不是要做一个产品我只是想解决自己的问题。我要的东西很简单把我写了5年的技术笔记和收藏的文章存起来需要的时候能搜出来搜出来的东西靠谱数据留在自己机器上不用给别人交月费。这不应该是天大的需求。它其实是一个工程师最基本的权利——掌控自己的知识。而且说实话一个做过十几年后端的人搭这个真的不是难事。向量数据库的概念十年前就有了embedding 这两年已经成熟到可以本地跑。真正的阻力不是技术是那种反正有现成的干嘛自己折腾的惯性。想明白这一点之后动手就很快了。最重要的是现在有了 AI不懂编程的都可以实现搭建自己的 AI 知识库。对于不想折腾的朋友也可以使用我已经开源的搭建知识库 skill公众号后台回复“知识库”直接一键安装。方案长什么样整个方案由三个东西拼起来各一句话就能说清楚ChromaDB一个开源的向量数据库你可以理解成专门给 AI 用的搜索引擎。你把文字变成向量存进去查询的时候它帮你找语义最接近的内容。本地 embedding 模型我用的是paraphrase-multilingual-MiniLM-L12-v2——一个免费的开源模型384 维支持 50 多种语言中英文混查毫无压力。跑在本地不需要 GPUMacBook 上毫秒级响应。MCP 协议Model Context Protocol你可以把它理解为 AI 工具和外部世界之间的通用插头。我用它把知识库接入了 Claude Code写着代码、聊着天直接问一句我之前的笔记里怎么说的它就帮你去向量库里搜回来。架构上我做了双 repo 分离awesome-ai-kb纯内容仓库只管 Markdown 文章按主题Redis / Kafka / JVM / MySQL / 算法 / AI / 架构等 25 分类组织。文章就是文章没有任何技术依赖。kb-builder工具仓库管索引管道和 MCP server。提供一个install.sh一键安装10 分钟跑通全流程。双 repo 分离架构分块策略我做了三个版本现在稳定在 v3.0结构感知分块800 字给技术教程和长文用的按 H2/H3 标题自然切分模板段落分块600 字给设计模式、最佳实践这类结构化内容用的QA 对分块给 FAQ 和踩坑笔记用的一个问答一个块三种策略组合下来检索命中率到了 75%。说句实在话比我之前用的那个按月付费的产品还高——那个产品经常搜出一堆看起来相关、但读三行就发现不对的结果。搭完什么样给几个实际数字不说虚的。内容库awesome-ai-kb 里现在有 240 篇技术文章。覆盖 Redis、Kafka、JVM、MySQL、算法、AI、架构、Java、Go、分布式、微服务等 25 个以上主题。这些是我过去十几年写的笔记、公众号文章、以及收藏的优质技术内容全部 Markdown干干净净。索引规模240 篇文章经过三种分块策略处理后产生了 5877 个语义块。平均每篇文章被拆成 24 个左右的检索单元。检索效果我自己做了 50 次随机查询测试75% 的情况下前三条结果里至少有两条和我想找的内容高度相关。剩下的 25% 里大部分是问题本身就比较模糊不是检索的问题。延迟单次查询从输入到返回结果本地跑 800ms 以内。比商业 SaaS 产品快吗不一定——它们有 CDN 加速。但 800ms 够用了而且没有网络抖动不担心服务宕机。三个 MCP 工具search_kb语义搜索输入自然语言返回最相关的 chunklist_kb_topics看你的知识库覆盖了哪些主题get_kb_stats看索引数据统计这三个工具在 Claude Code 里直接用。写着代码想查个之前记录的技术方案不用切窗口不用登录网页一句话就查回来了。这是我的使用效果后边我会做成一个可视化网站给大家使用你也可以按照我的思路自己搭建一套 RAG AI 知识库。花费0 元。ChromaDB 开源、embedding 模型免费、跑在本地不需要额外服务器。后面我会继续迭代构建一个 web 网站体验更丝滑同时也开放给所有人使用。检索效果数据概览你到底要不要自己搭我不劝所有人都自己搭。这不现实也不负责任。适合自己搭的人你的技术笔记已经积累了一定规模至少大几十篇而且你对内容质量有要求——不是能搜到就行而是搜出来的东西得是我的语境、我的理解。你对数据隐私敏感或者有合规要求。你愿意花半天时间做初始搭建但之后不想再被月费绑架。适合继续用商业产品的人你的笔记还比较零散总量不大。你不想碰任何技术配置——哪怕是install.sh也不想跑。你主要用知识库做外脑而不是第二大脑对检索精度没那么挑剔。我自己属于第一类。而且搭完之后我发现这件事最难的不是技术是下决心开始。常见问题Q: 需要什么硬件配置A: ChromaDB 本地 embedding 模型对资源要求很低。我在 M1 MacBook Air 上跑内存占用不到 500MBCPU 占用毫秒级。不需要 GPU。Q: 会不会很难维护A: 文章就是 Markdown 文件放在文件夹里。新增一篇文章就是写一个 .md然后跑一条索引更新命令——这个过程可以做成 git hook 自动触发。内容仓库和工具仓库分离的好处就在这里你的文章永远是干净的纯文本工具出问题不影响内容换个工具也不影响内容。Q: 中文检索效果真的好吗A:paraphrase-multilingual-MiniLM-L12-v2这个模型对中文的支持比我预期的好。技术术语、英文缩写混在中文里的场景检索准确率比纯英文模型高不少。如果追求极致效果可以上更大的模型但 384 维在这个场景下够用了。Q: 和 Notion AI、Readwise 这些比有什么区别A: Notion AI 和 Readwise 帮你记录和回顾但底层你管不了。数据在别人服务器上用到什么模型你也不知道。自建方案是把控制权拿回来——用什么模型、怎么分块、怎么检索全由你决定。代价是你得自己搭。Q: 能不能用在团队场景A: 目前 kb-builder 定位是个人知识库。团队场景需要权限管理、多用户隔离、协作编辑——这些问题我暂时没解决也不打算在这个版本里解决。先把单人场景做到极致。写完这篇码哥自己又回味了一下——从被月费绑架到完全掌控自己的知识库这个过程其实挺痛快的。如果你也是那种看到账单就烦躁、但又离不开 AI 辅助检索的技术人这个方案可以试试。我把 awesome-ai-kb 和 kb-builder 都开源了GitHub 上可以直接 clone。完整的搭建指南、7 篇深度方法论文章从分块策略设计到 MCP 协议集成每一步掰开了讲在知识星球「码哥字节」——从 0 到跑通不用再踩我踩过的坑。如果不星标算法就不会主动推给你。错过几篇没关系但有些内容正好是你当时需要的那就不划算了。
今天给大家分享一个好玩的搭建个人 AI RAG 知识库每个月续费的时候我都会犹豫一下。打开账单那个 AI 知识库会员又扣了三百多块。不多但每次看到这笔钱我心里都会冒出一个念头这个月我打开过它几次答案是不超过三次。而且其中两次搜出来的东西说实话不太对。这就是我退订所有 AI 知识库的开始。四个让我忍不下去的理由先说清楚我不是一开始就觉得商业 AI 知识库不好。正相反第一年用的时候我觉得这东西真方便——把笔记、文档、网页一股脑扔进去想用的时候搜一下AI 帮你整理好答案。那种有个 AI 助理帮我打理所有知识的感觉确实很爽。但用久了问题一个个冒出来。而且最让我不舒服的是这些问题不是我要求太高是产品本身就不把用户的长期利益当回事。第一个价格。单个产品月费 200 到 400 块不等一年下来两三千。这还不是最贵的——有些企业版报价直接四位数一个月。作为一个自己掏钱的独立开发者这笔账我算过一年订阅费够我买三年的云服务器。如果真的好用这个价格我也认了。问题是——第二个内容不可控。你不能真正拥有自己的笔记。想改一篇已上传的文章不行只能删了重新传。想批量导出大部分产品只给 Markdown 导出但格式乱七八糟链接全断。有一次我想把 60 多篇笔记迁到另一个平台折腾了一整个下午——导出来之后发现所有 internal link 都变成了死链图片全丢。更让人难受的是你没法定制内容方向。知识库的质量完全取决于你往里扔了什么但 AI 怎么理解这些内容、怎么分块、怎么检索——全是黑盒。你花了钱存了数据但你对自己的知识是怎么被处理的一无所知。这就引出了第三个问题。第三个检索质量你完全没法干预。大多数商业产品不会告诉你背后用的什么 embedding 模型、什么分块策略、多少 chunk size。我问过一家产品的客服你们的分块策略是怎样的是按段落还是按 token 数等了三天回复是我们的 AI 会自动选择最优策略。翻译一下你不需要知道你也没法改。对一个做了十几年后端的工程师来说这种相信我就行了的回答比直接说我们还没做到更让我焦虑。第四个也是最让我下决心的——数据出境。我有一批笔记涉及企业内部架构文档。虽然脱敏了但你不知道它上传到海外服务器之后会不会被用于模型训练会不会被第三方访问。很多商业 AI 知识库产品的服务部署在美国或者新加坡国内没有节点。我查了四五家主流产品的隐私政策措辞几乎同出一辙我们会使用上传内容来改进服务。什么叫改进服务是不是拿去训练模型了不会把你的数据混进别人的查询结果里吗这些问题他们不会正面回答。更实际的问题是合规团队明确说过企业内网相关内容禁止上传到境外 SaaS 服务。我有很多笔记虽然在技术上做了脱敏但架构图、技术方案、性能数据——这些东西放在别人的服务器上心里那道坎过不去。这条红线一划基本上断了我继续付费的念头。不是因为技术炫是实在忍不了说实话自己做知识库这件事一开始我也觉得麻烦。向量数据库、embedding 模型、分块策略、检索管道——光这些名词列出来就够你折腾一个周末。但后来我想通了一件事我不是要做一个产品我只是想解决自己的问题。我要的东西很简单把我写了5年的技术笔记和收藏的文章存起来需要的时候能搜出来搜出来的东西靠谱数据留在自己机器上不用给别人交月费。这不应该是天大的需求。它其实是一个工程师最基本的权利——掌控自己的知识。而且说实话一个做过十几年后端的人搭这个真的不是难事。向量数据库的概念十年前就有了embedding 这两年已经成熟到可以本地跑。真正的阻力不是技术是那种反正有现成的干嘛自己折腾的惯性。想明白这一点之后动手就很快了。最重要的是现在有了 AI不懂编程的都可以实现搭建自己的 AI 知识库。对于不想折腾的朋友也可以使用我已经开源的搭建知识库 skill公众号后台回复“知识库”直接一键安装。方案长什么样整个方案由三个东西拼起来各一句话就能说清楚ChromaDB一个开源的向量数据库你可以理解成专门给 AI 用的搜索引擎。你把文字变成向量存进去查询的时候它帮你找语义最接近的内容。本地 embedding 模型我用的是paraphrase-multilingual-MiniLM-L12-v2——一个免费的开源模型384 维支持 50 多种语言中英文混查毫无压力。跑在本地不需要 GPUMacBook 上毫秒级响应。MCP 协议Model Context Protocol你可以把它理解为 AI 工具和外部世界之间的通用插头。我用它把知识库接入了 Claude Code写着代码、聊着天直接问一句我之前的笔记里怎么说的它就帮你去向量库里搜回来。架构上我做了双 repo 分离awesome-ai-kb纯内容仓库只管 Markdown 文章按主题Redis / Kafka / JVM / MySQL / 算法 / AI / 架构等 25 分类组织。文章就是文章没有任何技术依赖。kb-builder工具仓库管索引管道和 MCP server。提供一个install.sh一键安装10 分钟跑通全流程。双 repo 分离架构分块策略我做了三个版本现在稳定在 v3.0结构感知分块800 字给技术教程和长文用的按 H2/H3 标题自然切分模板段落分块600 字给设计模式、最佳实践这类结构化内容用的QA 对分块给 FAQ 和踩坑笔记用的一个问答一个块三种策略组合下来检索命中率到了 75%。说句实在话比我之前用的那个按月付费的产品还高——那个产品经常搜出一堆看起来相关、但读三行就发现不对的结果。搭完什么样给几个实际数字不说虚的。内容库awesome-ai-kb 里现在有 240 篇技术文章。覆盖 Redis、Kafka、JVM、MySQL、算法、AI、架构、Java、Go、分布式、微服务等 25 个以上主题。这些是我过去十几年写的笔记、公众号文章、以及收藏的优质技术内容全部 Markdown干干净净。索引规模240 篇文章经过三种分块策略处理后产生了 5877 个语义块。平均每篇文章被拆成 24 个左右的检索单元。检索效果我自己做了 50 次随机查询测试75% 的情况下前三条结果里至少有两条和我想找的内容高度相关。剩下的 25% 里大部分是问题本身就比较模糊不是检索的问题。延迟单次查询从输入到返回结果本地跑 800ms 以内。比商业 SaaS 产品快吗不一定——它们有 CDN 加速。但 800ms 够用了而且没有网络抖动不担心服务宕机。三个 MCP 工具search_kb语义搜索输入自然语言返回最相关的 chunklist_kb_topics看你的知识库覆盖了哪些主题get_kb_stats看索引数据统计这三个工具在 Claude Code 里直接用。写着代码想查个之前记录的技术方案不用切窗口不用登录网页一句话就查回来了。这是我的使用效果后边我会做成一个可视化网站给大家使用你也可以按照我的思路自己搭建一套 RAG AI 知识库。花费0 元。ChromaDB 开源、embedding 模型免费、跑在本地不需要额外服务器。后面我会继续迭代构建一个 web 网站体验更丝滑同时也开放给所有人使用。检索效果数据概览你到底要不要自己搭我不劝所有人都自己搭。这不现实也不负责任。适合自己搭的人你的技术笔记已经积累了一定规模至少大几十篇而且你对内容质量有要求——不是能搜到就行而是搜出来的东西得是我的语境、我的理解。你对数据隐私敏感或者有合规要求。你愿意花半天时间做初始搭建但之后不想再被月费绑架。适合继续用商业产品的人你的笔记还比较零散总量不大。你不想碰任何技术配置——哪怕是install.sh也不想跑。你主要用知识库做外脑而不是第二大脑对检索精度没那么挑剔。我自己属于第一类。而且搭完之后我发现这件事最难的不是技术是下决心开始。常见问题Q: 需要什么硬件配置A: ChromaDB 本地 embedding 模型对资源要求很低。我在 M1 MacBook Air 上跑内存占用不到 500MBCPU 占用毫秒级。不需要 GPU。Q: 会不会很难维护A: 文章就是 Markdown 文件放在文件夹里。新增一篇文章就是写一个 .md然后跑一条索引更新命令——这个过程可以做成 git hook 自动触发。内容仓库和工具仓库分离的好处就在这里你的文章永远是干净的纯文本工具出问题不影响内容换个工具也不影响内容。Q: 中文检索效果真的好吗A:paraphrase-multilingual-MiniLM-L12-v2这个模型对中文的支持比我预期的好。技术术语、英文缩写混在中文里的场景检索准确率比纯英文模型高不少。如果追求极致效果可以上更大的模型但 384 维在这个场景下够用了。Q: 和 Notion AI、Readwise 这些比有什么区别A: Notion AI 和 Readwise 帮你记录和回顾但底层你管不了。数据在别人服务器上用到什么模型你也不知道。自建方案是把控制权拿回来——用什么模型、怎么分块、怎么检索全由你决定。代价是你得自己搭。Q: 能不能用在团队场景A: 目前 kb-builder 定位是个人知识库。团队场景需要权限管理、多用户隔离、协作编辑——这些问题我暂时没解决也不打算在这个版本里解决。先把单人场景做到极致。写完这篇码哥自己又回味了一下——从被月费绑架到完全掌控自己的知识库这个过程其实挺痛快的。如果你也是那种看到账单就烦躁、但又离不开 AI 辅助检索的技术人这个方案可以试试。我把 awesome-ai-kb 和 kb-builder 都开源了GitHub 上可以直接 clone。完整的搭建指南、7 篇深度方法论文章从分块策略设计到 MCP 协议集成每一步掰开了讲在知识星球「码哥字节」——从 0 到跑通不用再踩我踩过的坑。如果不星标算法就不会主动推给你。错过几篇没关系但有些内容正好是你当时需要的那就不划算了。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
