abraxas914/VESTI

解決的問題

Vesti 解決了 AI 時代的「資料封建主義」問題，即與各種 LLM（ChatGPT、Claude、Gemini 等）的對話被鎖在各自的平台孤島中。使用者經常因資料分散且由平台提供者控制而遺失思考脈絡。Vesti 提供一個本地優先的中心，用於捕獲、整合與管理這些互動，將資料主權與追蹤思想演進的能力歸還給使用者。

如何運作

Vesti 以雙層系統運作：

1. 捕獲引擎（Chrome 擴充）： 一個瀏覽器擴充，靜默監控並從支援的 AI 平台提取對話。它使用 Parser/Observer/Gate 架構捕獲對話內容，並透過 Dexie.js 將其儲存在本地 IndexedDB 中。同時，利用 ModelScope API 生成線程的結構化摘要。
2. 知識管理層（Web 儀表板）： 一個獨立的 Web 視圖，透過 StorageApi 與本地資料互動。它包含 圖書館（用於分類管理）、探索 模組（基於 RAG 的自然語言查詢自身歷史）、網路 視圖（使用力導向圖（ECharts）可視化對話之間的語意相似性），以及 筆記 區域（用於建立自訂的 Markdown 記錄）。

一個整合的 園丁代理 在背景非同步運作，對對話進行分類並分配語意標籤，將原始日誌轉化為結構化知識。

適用對象

希望維持永久、可搜尋、相互連結的思考過程記錄，並避免依賴平台特定歷史記錄的多平台 AI 高階使用者。

核心亮點

• 本地優先架構： 所有資料均儲存在使用者裝置的 IndexedDB 中，確保完全隱私與資料所有權。
• 跨平台整合： 自動捕獲來自 ChatGPT、Claude、Gemini、DeepSeek、Qwen 和 Doubao 的互動。
• 本地 RAG： 使用 ModelScope 嵌入與餘弦相似度實作檢索增強生成系統，嚴格基於使用者自身對話歷史回答問題。
• 思維拓撲： 透過語意相似性矩陣與動態知識圖譜可視化不同對話之間的關係。
• 結構化洞察： 採用「提示即程式碼」策略生成摘要，揭示思維演進與關鍵洞察，而不僅僅是壓縮文字。