导出简悦知识库（用于 RAG 打造个人专属 AI 知识库）

[Kenshin]

描述

将你 感兴趣的内容（标注或全文） 汇与一处并导出到本地，支持 Google NotebookLM · 腾讯 IMA · Cherry Studio 或 任意 LLM 服务，零代码打造你的 专属个人知识库（RAG）。

地址

https://simpread.ksria.cn/plugins/details/zOzpvOzM4a

选项

随便进入一个页面 e.g. https://sspai.com/post/71576 并进入 阅读模式 → 右下角 → 动作 → 插件触发器

按照下图所示即可查看此插件的选项页。（注意：如果你的界面没有插件触发器，请根据此 解决方案 修复。

功能

1️⃣ 检索稍后读，支持多种查询方式或标签

2️⃣ 预览查找结果

视频演示

2025-03-22_16-04-39.mp4

3️⃣ 导出内容，包括：标注 或 全文

4️⃣ 合并预览稍后读

2025-03-22_15-58-42.mp4

5️⃣ 导出

支持如下几种导出方式：

• 通过同步助手 1.5.1 版导出 用 LLM-Wiki 方案

• 导出 HTML 到本地

• 导出 Markdown 到本地

• 导入到 Obsidian

• 通过同步助手导出 Markdown 到本地

• 通过 PDF 高级打印方案导出到本地

导出后利用 LLM 进行打造属于个人的专属知识库

详细说明 #6714 (comment)

安装与升级

• 没有【使用同步助手 · 自动同步】的话，可通过此链接 安装。

• 已经【使用同步助手 · 自动同步】的话，请使用 插件管理器 安装。

关联

1️⃣ 简悦插件 · 阅读助手 4.0 版

2️⃣ 将你的稍后读用于 LLM 的数据来源（RAG），利用简悦插件 · 导出简悦知识库零代码打造你的个人专属 AI 资料库

3️⃣ 基于简悦零代码打造你的个人专属 AI 本地 LLM 知识库（RAG） - Trae 篇

4️⃣ 基于简悦零代码打造你的个人专属 AI 本地 LLM 知识库（RAG） - Ollama + Cherry Studio 篇

5️⃣ 利用「稍后读 · 极速版 2.0」新特性让 AI 浏览器秒变为你的个人专属 AI 本地 LLM 知识库

6️⃣ 简悦 Andrej Karpathy LLM Wiki 方案

更新日志

1.1.0

• Add 支持 同步助手 1.5.1 版导出方案

• Optimize 导出名称与 同步助手 1.5.1 保持一致

• Optimize 优化日期相关的检索

• Fix 当检索标签后标签数据被保存的问题

1.0.0

• 检索稍后读，支持多种查询方式或标签

• 预览查找结果

• 导出内容，包括：标注 或 全文

• 合并预览稍后读

• 导出，支持

  1. 导出 HTML 到本地

  2. 导出 Markdown 到本地

  3. 导入到 Obsidian

  4. 通过同步助手导出 Markdown 到本地

  5. 通过 PDF 高级打印方案导出到本地

[Kenshin]

确保导入到 Obsidian 版本为 1.5.1（含）以上

如不是 1.5.1 版，请通过下面的方式升级。

• 没有【使用同步助手 · 自动同步】的话，可通过此链接 安装。

• 已经【使用同步助手 · 自动同步】的话，请使用 插件管理器 安装。

[Kenshin]

利用 RAG + LLM 进行打造属于个人的专属知识库

LLM 的问题

• 在没有答案的情况下提供虚假信息。

• 当用户需要特定的当前响应时，提供过时或通用的信息。

• 从非权威来源创建响应。

• 由于术语混淆，不同的培训来源使用相同的术语来谈论不同的事情，因此会产生不准确的响应。

而 RAG（检索增强生成）方式是解决这些问题的一种方法，它会重定向 LLM，从而从权威的、预先确定的知识来源中检索相关信息。

什么是 RAG

全称 Retrieval Augmented Generation ，中文称作「检索增强生成」，是指对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。

LLM 与 RAG 的详细说明

上述内容部分摘选自 https://aws.amazon.com/cn/what-is/retrieval-augmented-generation/ 如果对这方面感兴趣的话，可以直接在此链接查看。

能做什么

此插件将你的稍后读通过既定的查询规则，合并导出（支持标注或全文），然后被可以支持嵌入语言模型的 AI 工具转换并将其存储在向量数据库中，最终被 LLM 读取并作为知识库进行检索。

支持的 LLM 工具

#6714 (reply in thread)

比较

	LLM 模型	客户端	知识库	数量	引用出处	特色功能
Google NotebookLM	Gemini 2.0	Web	支持 PDF, .txt, Markdown, 音频（例如 mp3）、Google 文档、任意 URL、YouTube、剪切板	最多 50 个	可以引用到文本的具体位置	支持思维导图、音频概览（会让两位 AI 主持人生动地进行“深入讨论”，总结来源中的关键主题）
腾讯 IMA	DeepSeek、混元	Desktop	支持 PDF，任意 URL	最多 2GB 的内容	仅可引用到文件	支持腾讯系产品，如微信小程序等
Cherry Studio	支持任意 LLMs	Desktop	任意文本文件，以及支持文件夹	不限	仅可引用到文件	知识库可添加文件夹，避免了重复添加文件的麻烦

总结

Google NotebookLM 是目前测试中效果最好的，因为可以引用到文件的内部具体位置，同时整个产品也是为了 RAG 专门打造的，尤其是音频概览（会让两位 AI 主持人生动地进行“深入讨论”，总结来源中的关键主题） 功能。

在导入同一数据后的比较上也是最准确的一款产品。

[Kenshin]

LLM 工具

只要是支持 RAG 方案的工具均可以使用此插件，以下是简悦列举的一些典型工具。

• Google NotebookLM

• 腾讯 IMA

• Cherry Studio

[Kenshin]

Google NotebookLM

写在前面

Google NotebookLM 印象中应该属于比较早就涉足 RAG 范畴的 LLM 产品了，目前也是我认为最好的线上 RAG + LLM 工具。

文章受众

简悦用户。如果你是新用户的话，只要实现了 使用前提 的相关设置均可以实现本文的描述内容。

使用前提

1. 需简悦高级账户权限，如有必要 请升级你的账户

2. 安装 导出简悦知识库 插件（注意：如果使用了同步助手的自动同步功能，请通过 插件管理器 安装插件）

3. 已配置 本地快照（注意：此步骤不是必须要实现，但配置后会更适合本文的内容）

如何使用

无须任何配置，仅需要使用 导出简悦知识库插件 导出你需要作为 RAG 的原始数据（下文均以 星巴克 为例）

因为包含了全文，这样「投喂」给 NotebookLM 的内容更详尽。（这也是上面 使用前提 建议配置本地快照的原因）

接下来打开 https://notebooklm.google.com/ 并新建，随后在打开的对话框上传刚才导出的 Markdown 文件。

上传后等待索引完成，会看到类似下图的结构

特色功能

NotebookLM 提供了一些有意思的功能，列觉了部分特色功能。

引出用处

思维导图

2025-03-22_16-58-07.mp4

时间轴

我上传的这个 Markdown 针对时间轴意义并不大。（只是用来演示下此功能）

2025-03-22_17-01-04.mp4

简报

2025-03-22_17-03-54.mp4

优缺点

线上 LLM 的缺点显而易见，隐私性不如本地 LLM 方案。同时，因为上传 Markdown 并且不支持增量更新（在上面的例子中，如果我再添加一个关于星巴克的稍后读，那么就需要重新导出一份知识库（稍后读合辑），同时再上传到 Google NotebookLM 中。

优点在于 NotebookLM 是我用过最准确的 LLM 工具（可能得益于 Google 对它的专门调试）。

[Kenshin]

腾讯 IMA

写在前面

腾讯 IMA 是腾讯旗下的 LLM + RAG 产品（接入 DeepSeek R1）

文章受众

简悦用户。

如果你是新用户的话，只要实现了 使用前提 的相关设置均可以实现本文的描述内容。

使用前提

1. 需简悦高级账户权限，如有必要 请升级你的账户

2. 安装 导出简悦知识库 插件（注意：如果使用了同步助手的自动同步功能，请通过 插件管理器 安装插件）

3. 已配置 本地快照（注意：此步骤不是必须要实现，但配置后会更适合本文的内容）

4. 因为 IMA 的知识库仅支持 PDF，所以需要配置简悦的 PDF 高级打印方案

注意：如果不希望使用简悦提供的 PDF 方案，可直接导出 Markdown 然后使用第三方工具（如：Typora、Obsidian）将 Markdown → PDF 后使用。

如何使用

需要使用 导出简悦知识库插件 导出你需要作为 RAG 的原始数据（下文均以 星巴克 为例）

因为包含了全文，这样「投喂」给 IMA 的内容更详尽。（这也是上面 使用前提 建议配置本地快照的原因）

注意：如果包含全文的话，如果导出的内容较多需要等待的时间也比较长，所以也可以考虑上面提到的 Markdown → PDF 方案。

接下来打开 IMA 并新建一个知识库

导入刚才上传的 PDF

等待解析

解析完毕后可选择模型

最后，解析完毕后就可以对话了。

优缺点

1. 虽然 IMA 是 Desktop 应用，但它的模型仍然是「线上模式」，在隐私性方面不如本地 LLM 方案。

2. 因为上传 Markdown 并且不支持增量更新（在上面的例子中，如果我再添加一个关于星巴克的稍后读，那么就需要重新导出一份知识库（稍后读合辑），同时再上传到 IMA 中

3. 无法针对回复的内容直接指向到 PDF 的具体位置。

优点在于接入了 DeepSeek R1 并且是国内服务，速度非常有保证，并且依靠腾讯，具有小程序，非常适合在公众号使用。

[Kenshin]

Cherry Studio

写在前面

Cherry Studio 是支持多服务商集成的AI对话客户端，因为内置了「知识库」功能，所以可以非常方便的使用 导出简悦知识库。

文章受众

简悦用户。

如果你是新用户的话，只要实现了 使用前提 的相关设置均可以实现本文的描述内容。

使用前提（简悦部分）

1. 需简悦高级账户权限，如有必要 请升级你的账户

2. 安装 导出简悦知识库 插件（注意：如果使用了同步助手的自动同步功能，请通过 插件管理器 安装插件）

3. 已配置 本地快照（注意：此步骤不是必须要实现，但配置后会更适合本文的内容）

使用前提（Cherry Studio 部分）

Cherry Studio 支持几乎市面上全部的 LLM 服务，下面的例子均以 SiliconFlow（硅基流动）为例，Cherry Studio 支持 SiliconFlow，所以可使用任意 模型（包含免费使用模型）

未注册用户，建议使用 此链接 注册，即可获取 2000 万 Tokens

如何配置请看 Cherry Studio 官方文档

如何使用

无须任何配置，仅需要使用 导出简悦知识库插件 导出你需要作为 RAG 的原始数据（下文均以 星巴克 为例）

因为包含了全文，这样「投喂」给 Cherry Studio 的内容更详尽。（这也是上面 使用前提 建议配置本地快照的原因）

接下来需要 下载安装 并 配置 Cherry Studio 的知识库。

因 Cherry Studio 拥有非常完善的文档说明，所以建议请直接看官网的操作说明，这里只做简单的描述

添加刚才导出的 Markdown 文件

等待索引完毕

添加助手

选择刚才创建的知识库（RAG）

选择 LLM 模型

最后，设置完毕后就可以对话了。

优缺点

虽然 Cherry Studio 是 Desktop 应用，在上面的例子中，仍旧选择了线上 LLM，隐私性不如本地 LLM。（注意：Cherry Studio 也支持 本地 LLM 方案），同时答案并不能像 Google NotebookLM 一样可以定位到具体位置。

优点在于接入的 LLM 众多，且可以选择本地 LLM 方案（ollama 等），所以更灵活，且知识库支持文件夹形式，免去了类似 Google NotebookLM 每次都需要重新上传的问题。

[Kenshin]

Ollama + Cherry Studio

写在前面

简悦是基于本地系统的稍后读系统，当配置了 本地快照 系统后，可以方便的将阅读模式的内容加入到稍后读保存到本地。

不只如此，简悦也可以非常完美的配合很多的本地笔记 App e.g. Obsidian 实现将稍后读 → 导入到 Obsidian （也支持将阅读模式的图片转换为用户的图床）

所以简悦的大部分稍后读用户都是这么使用的，因此在这些用户的本地会产生很多 .html 或 .md 的文件。

随着本地大模型的兴起，因此可以利用这些本地大模型，实现基于本地系统的 RAG（检索增强生成）。

文章受众

简悦用户，尤其是针对简悦的 Obsidian 用户。

如果你是新用户的话，可以直接看本文底部的相关教程，只要实现了 使用前提 的相关设置均可以实现本文的描述内容。

为什么要使用本地部署方案

可以调用大模型的产品有很多，为什么选择 Ollama？本地部署方案最大的优势在于：隐私性。

因为大部分使用 LLM + RAG 的方案都是线上的模型，如果你给 RAG 的资料需要考虑隐私问题的话，建议首选可以在本地运行的方案。

硬件要求

因为要你的机器上跑 LLM 所以配置越高越好，目前这台测试机器为 Mac mini M4 32/512g 方案。

使用前提

1. 已配置 本地快照

2. Obsidian 用户，已配置 简悦导入到 Obsidian 相关功能

3. 需简悦高级账户权限，如有必要 请升级你的账户

注意：

此流程不是必须要使用 Obsidian，仅需配置了本地快照即可，因为本文提到的 Cherry Studio 可识别多种文本文件（包括：HTML 与 Markdown），只因为使用 Obsidian 方案导出的 Markdown 包含了很多具有针对性的 Metadata 所以在问答环境中能更精准的定位。

Ollama

Ollama 是一款轻量级的 LLM 工具，可以下载并运行任意大模型，如 LLama、DeepSeek 等。

Cherry Studio

Cherry Studio 是支持多服务商集成的 AI 对话客户端，因为内置了「知识库」功能，所以可以非常方便的使用 导出简悦知识库，同时支持 Ollama，可以作为 Ollama 客户端使用。

工作流

1. 使用简悦的阅读模式可精准的获取正文

2. 加入稍后读，自动触发简悦 → Obsidian，可将阅读模式的内容导入到 Obsidian（同时也可配合 图床插件 实现图片的导入）

3. 利用 Ollama 检索这些文件（一般来自 SimpRead 文件夹）

4. 利用 Ollama 调用大模型（如 DeepSeek）针对检索的内容进行提问，可得到精准的回复

5. 利用 Cherry Studio 当作 Ollama 的对话客户端

整个过程就是一个非常典型的 RAG 方案，即：

• 简悦负责生成知识库

• Ollama 提供检索和智能生成

• Cherry Studio 负责对话

截图

<暂无>

Ollama 配置

从 Ollama 官网下载 符合你系统的版本，配置也非常简单，过程从略（注意：请务必安装命令行方案）。

如果想要实现 RAG + LLM，则需要：嵌入模型 + 对话（或推理）模型，下面例子中选用的模型：

bge-m3:latest → 负责嵌入模型（1.2 GB）

deepseek-r1:14b → 负责推理模型（9.0 GB）

qwen2.5:7b → 负责对话模型（4.7 GB）

在终端中使用 ollama pull xxxx 分别下载上述三个大模型。

ollama pull bge-m3:latest
ollama pull deepseek-r1:14b
ollama pull qwen2.5:7b

Cherry Studio 配置

添加 Ollama 下载的大模型，如图所示

选择刚才在 Ollama 配置的模型（当然，也可以选择任意模型）

添加新一个新的知识库

选择添加通过 Obsidian 导出的目录，一般是 SimpRead

等待索引完成（速度还不错，3K 左右的数据，15分钟可以完成索引）

选择 LLM 模型

添加知识库

如何使用

在上面的基础上直接「聊天」即可，比如输入 星巴克遇到的问题是什么？ 因为我改用了推理型的 LLM （会看 LLM 的「自言自语」，等待片刻（取决于你的硬件配置 😅 ）就会看到答案。（在此期间，你会看到内存飙升 😂

几个实例

以下是结合这套工作流的特色列举的一些经典用法。

1️⃣ 分析全文概要

可以直接指定任意文件进行提问

输入 分段详细解析全文 (适合长文章的精读) 下图是深度解析后的内容

视频演示

2025-03-21_18-50-08.mp4

2️⃣ 每日回顾

虽然无法实现 阅读助手 简单便捷的每日回顾（如下图）

不过结合导入到 Obsidian 时 Markdown 模板设置的 Metadata，也可以完美的实现此方式，原理是：当设置了导入到 Obsidian 的 Metadata 后，导出的每个 .md 文件都会具有如下结构。

所以可以基于对 date 的判断可以做到类似的效果，比如：

请分析具有 date 属性的内容 e.g. `date: 2024-12-28 18:58:57` 根据后面的时间，来检索出从今日开始往前七日内的文件，并整理归纳总结出一份简报。

今天是： 2025-03-21

Trae 会严格的按照这些规则帮你归纳总结回顾。

3️⃣ 基于简悦的标签进行归纳总结

与 date 属性一样，可以让 Trae 检索 tag 属性，来实现基于标签的归纳总结

请分析具有 tag 属性的内容 e.g. `tag: 科技史话/AI战争` 请找出 `科技史话/AI战争` 全部文件，并整理归纳总结出一份简报。

下面截图只是其中一部分内容，注意 Trae 已经根据 科技史话/AI战争 检索了 26 个文件。

4️⃣ 直接询问

比较霸王茶姬和茶颜悦色单店营收能力

请简述下与星巴克有关的内容，整理为一份简报。（留意下图检索了 25 个文件）

总结

使用 Trace 的资源管理器，将任意简悦导出的文本文件（ 上文以 .md 举例，但只要是文本文件均可，比如直接导入简悦的 output 文件夹）均可以通过 Trae 内置的 AI 进行提问，而这个过程就是典型的 RAG 方式。

知识库有简悦生成，索引部分由 Trae 内置的嵌入模型完成（Trae 并未说明嵌入模型是什么），提问（Chat）部分则包含了 DeepSeek 及豆包（字节跳动字节的大模型）

特点

如果你是简悦用户，尤其是简悦的 Obsidian 用户，几乎零门槛几分钟就能实现属于自己的 RAG 方案。

优缺点

Trae 的大模型需要调用它们的服务器，所以隐私上并没有纯粹的本地大模型好，但优势在于本地仅安装 Trae 即可，对设备的配置没有任何要求，且可以稳定的使用 DeepSeek（速度还不错）

引申

如果你希望使用 ChatGPT 5 或者 Claude 这类模型的话，也可以考虑使用 Trae 国际版 或 Cursor

但从使用效果来看的话，Trae 国内版是最好的（毕竟大模型服务端都在国内）

如果你希望更好在 Trae IDE 中查看 Markdown 文件，可以考虑安装 Markdown Editor 插件

安装后打开 Markdown 文件后会得到下图所示

新用户看过来

如果你对这套 RAG 方案感兴趣的话，可以很简单的实现这套方案，仅需要：

1. 升级到 高级账户

2. 下载并安装简悦

3. 配置 本地快照

4. Obsidian 用可直接使用简悦官方推出的 配置库方案

注意：非 Obsidian 用户可以直接忽略 4️⃣ 只要能生成本地快照即可，但具有 Metadata 属性的文本文件可以更好的让 Trae 定位文件。