AI Memory Hub

企业 AI 知识资产平台。自动采集、智能关联、随时复用。

员工和 AI 的每一次对话，都是企业的知识资产。人走，知识留下。

[Github]( https://github.com/Vincent-chao-lang/AIHub) https://aihub.dabuside.top/

---

一、产品定位

AI Memory Hub 是一个企业级 AI 知识资产管理平台。它自动采集、整理、关联员工与 AI （ ChatGPT 、Claude 、DeepSeek 等）的所有高质量对话，将其转化为可检索、可关联、可复用的结构化知识资产，实现 **"人走，知识留下，价值继续"**。

---

二、企业为什么需要它

2.1 一个新问题的出现

2023 年开始，你的员工每天都在和 AI 对话：

  研发 → ChatGPT 讨论架构方案
  运维 → Claude 解决部署故障
  产品 → DeepSeek 做竞品分析
  设计 → Gemini 找设计灵感
  运营 → Kimi 写内容策略

这些对话里藏着：
  · 技术决策的推演过程
  · 故障排查的完整思路链
  · 对业务的深度思考
  · 反复验证过的最佳实践

2.2 一个老问题的新形式

传统离职交接：

  员工写一份交接文档（如果有的话）
  → 只记录了"结论"，丢失了"思考过程"
  → AI 对话中的试错、推演、对比全部消失
  → 新人面对同样问题，从零开始和 AI 聊

结果：
  张三用 AI 花 3 天解决了部署问题，离职了。
  李四入职遇到同样的故障，再花 3 天从零开始。

  知识在，但不可见。
  经验在，但无法复用。

2.3 量化损失

假设一个 50 人的技术团队，每人每天和 AI 进行 5 次有价值的对话：

  日均知识产出：    50 × 5 = 250 条 AI 决策/推演记录
  月均知识产出：    250 × 22 = 5,500 条
  年均知识产出：    5,500 × 12 = 66,000 条

  如果 80% 随员工流动而不可检索，每年损失：
    → 约 52,800 条有价值的知识碎片
    → 无数可复用的决策链、故障排查路径、方案对比

  每一片碎片背后，都是员工花时间与 AI 碰撞出的认知成果。

---

三、解决方案

3.1 一句话说清楚

员工用 AI 的同时，系统自动记录、理解、关联每一次对话，构建企业自有 AI 知识图谱。 人来，知识自动汇聚；人走，知识结构化管理，随时被新人检索和复用。

3.2 核心能力

┌──────────────────────────────────────────────────────┐
│              自动采集（零门槛）                         │
│  浏览器扩展静默运行，员工正常使用 AI ，对话自动入库。      │
│  不需要手动粘贴，不需要额外操作，不改变工作习惯。         │
└──────────────────────────┬───────────────────────────┘
                           │
┌──────────────────────────┴───────────────────────────┐
│              智能理解（结构化）                         │
│  每条对话 → 自动生成标题、标签、摘要                    │
│  跨平台语义搜索 → 用自然语言找到任何历史对话             │
│  知识图谱 → 自动发现对话之间的深层关联                  │
└──────────────────────────┬───────────────────────────┘
                           │
┌──────────────────────────┴───────────────────────────┐
│              知识复用（价值闭环）                       │
│  新人遇到问题 → 搜索关键词 → 看到前辈的完整 AI 决策链    │
│  AI 回答时 → 注入历史上下文 → 基于团队知识积累来回答    │
│  团队知识 → 按人/按项目/按主题 → 随时检索和复用         │
└──────────────────────────────────────────────────────┘

---

四、关键场景

场景 1：新人入职

传统方式：
  新人花 2-4 周熟悉项目，遇到问题问同事或自己摸索和 AI 对话
  → 其实前辈早就和 AI 深入讨论过同样的问题

AI Memory Hub：
  新人搜索"微服务部署" → 看到：
    · 张三 3 个月前与 ChatGPT 的完整架构讨论
    · 李四 1 个月前与 Claude 的故障排查全过程
    · 系统自动生成的关联对话：CI/CD 配置、容器化方案
  → 新人在 AI 提问时，注入前辈的上下文
  → AI 基于团队已有认知来回答，而非从零开始

效果：新人上手速度 2x 提升，避免重复踩坑

场景 2：员工离职

传统方式：
  张三离职 → 写交接文档 → 文档里的结论，丢失了 90% 的思考过程
  → 那场"和 AI 反复讨论了 3 个小时才搞定的故障排查"彻底消失

AI Memory Hub：
  张三的所有 AI 对话早已自动归档，按主题分类，图谱关联完整
  → 李四搜索同一问题 → 直接看到张三当时的完整认知链
  → 不只是结论，还有：
    · 张三问了什么
    · AI 给了哪些方案
    · 张三做了什么取舍
    · 最终为什么选了方案 A 而不是 B

效果：知识保留率从 10% → 95%，真正的"人走知识留"

场景 3：跨部门经验复用

传统方式：
  研发团队用 AI 解决了性能问题
  运维团队可能永远不知道这个方案
  → 遇到类似问题各自重新摸索

AI Memory Hub：
  搜索"数据库性能" → 跨部门、跨平台、跨时间维度的所有相关对话汇聚一处
  → 研发的架构思路 + 运维的实战经验 + 产品的业务视角
  → 知识自动缝合，打破信息孤岛

效果：团队越用越聪明，知识自适应组织

场景 4：企业 AI 审计与合规

传统方式：
  员工和 AI 聊了什么 → 无从知晓
  是不是把内部代码贴给了 ChatGPT → 无法审查
  大模型使用有没有合规风险 → 没法管理

AI Memory Hub：
  所有 AI 对话完整记录，按人、平台、时间可检索
  → 管理员可以看到：谁、在什么平台、讨论了什么话题
  → 敏感信息自动标记（可配置关键词告警）
  → 满足企业对 AI 使用的审计和合规需求

效果：AI 使用透明化，安全与效率兼得

---

五、5 分钟跑起来

git clone https://github.com/Vincent-chao-lang/AIHub.git
cd AIHub
./start.sh

# 加载浏览器扩展
Chrome → chrome://extensions → 开发者模式 → 加载已解压 → 选择 extension/ 目录

# 打开任意 AI 平台 → 正常聊天 → 点击 🧠 图标 → 检索记忆
# 或访问 http://localhost:5173 → Web 面板

数据完全在本地。 不注册、不联网、不上传。你拥有全部数据。

---

六、 部署模式

模式	适合	配置
个人本地	个人使用	零配置，./start.sh
局域网共享	团队 5-50 人	改 host 为 0.0.0.0
Docker	标准化部署	docker-compose up
HTTPS + 反向代理	远程团队	Nginx + Let's Encrypt

详细部署指南 → USAGE.md

---

七、 存储与扩展

默认 SQLite + ChromaDB + 本地 BGE 模型，零配置开箱即用。

随着团队规模增长，可平滑升级：

SQLite + ChromaDB  →  PostgreSQL + pgvector  →  Milvus
  零配置                改一行 .env                独立集群
  < 10 万条              10-100 万条                 > 100 万条

Embedding 模型同样支持一行配置切换：

本地 BGE-small （ 512 维）  →  BGE-large / 其他本地模型  →  OpenAI / 智谱 API
  默认                            改模型名                    改 EMBEDDING_PROVIDER

切换 embedding 后运行 python backend/rebuild_index.py 即可全量重建向量索引。

详细升级路径 → docs/STORAGE.md

---

八、 项目结构

AIHub/
├── start.sh                   # 一键启动
├── backend/                   # FastAPI + SQLite + ChromaDB
│   ├── api/routes.py          # 10 个 API 端点
│   ├── db/                    # 数据库 + 向量存储（ ChromaDB/pgvector ）
│   ├── models/                # 数据模型
│   └── services/              # embedding · 摘要 · 搜索 · 上下文生成
├── extension/                 # Chrome 扩展 (Manifest V3)
│   ├── content/               # 5 平台 DOM 监听
│   ├── sidepanel/             # 侧边栏 UI + 逻辑
│   └── options/               # 设置页
├── frontend/                  # React + Vite + TypeScript + D3.js
│   └── src/pages/             # 时间线 · 项目 · 上下文 · 图谱
└── landing/                   # 营销页面（中英双语）

---

九、API

方法	路径	说明
POST	/messages	上传消息（自动 embedding + 摘要）
GET	/timeline	时间线（按对话聚合，支持 ?user_id= 筛选）
GET	/conversations/{id}	对话详情
GET	/conversations/{id}/related	相关对话推荐
POST	/search	语义搜索（向量 + 关键词回退）
POST	/context	图谱驱动上下文生成（含 max_tokens 智能截断）
GET	/projects	项目聚合
GET	/graph	知识图谱数据
GET	/stats	统计（总数/平台分布/用户统计/向量索引数/embedding 信息）

十、 设计原则

1. 自动采集 — 知识管理成本从"人"转移到"系统"，员工无需额外操作
2. 本地优先 — 数据 100% 归你，也支持服务器部署
3. 企业级扩展 — SQLite → PostgreSQL ，ChromaDB → pgvector ，随规模平滑升级
4. 零摩擦接入 — 不改现有系统，不要求切换 AI 平台，不改变工作习惯
5. 图谱驱动 — 关联发现用本地算法，不依赖外部 LLM ，零成本零延迟
6. 团队即知识 — 同一套系统，一人用是外脑，团队用是知识库