Ontos-AI/knowhere

解决的问题

Knowhere 解决了为 AI 代理准备‘脏’或复杂的非结构化文档（如 PDF 和 PowerPoint 演示文稿）的困难。传统 RAG 通常依赖于孤立片段的扁平向量查找或脆弱的 OCR/布局提取，这可能导致文档的原始结构、阅读顺序和视觉上下文丢失，从而导致模型响应不可靠。

工作原理

Knowhere 通过两步流程将文档转换为持久且可导航的内存系统：

1. 解析并构建内存：采用双轨方法。文本轨道 保留原始结构以确保文本文档的可靠性，而 视觉轨道 则使用前沿视觉模型来整体理解复杂页面。两条轨道均被归一化为单一的层级原生模式，存储导航树、关联资产和跨文档关系。
2. 代理检索：不同于固定流水线，Knowhere 提供一组工具（大纲、结构过滤器、模糊召回等）。AI 代理可自主决定如何探索此内存——遍历章节树或深入特定区域——以查找并引用可追溯的证据。

适用对象

专为需要从复杂、本地或离线文档集合中进行高精度检索的 AI 代理和 LLM 工作流开发者设计，其中结构上下文和视觉证据至关重要。

主要亮点

• 双轨解析：结合文本原生提取与基于视觉的页面理解，适用于复杂 PDF 和幻灯片。
• 层级原生内存：保留文档路径、页码范围和章节节点，而非孤立的片段。
• 代理原生检索：允许代理自主导航文档的章节树和跨文档图谱。
• 基于页面的引用：提供可追溯的引用，包括源文档、章节路径和渲染的视觉证据。
• 跨文档内存图谱：使用类型化实体和关键词连接命名空间内的相关文档。