之前在读博的时候，手搓过一个解析小插件，用来辅助我读文献、写论文，处理那些大部头的文山著海。后来毕业之后，发现现在做 RAG 相关的，或者开发知识型 agent 照样用得上，所以我就用 AI 完善了一下，开源出去了： https://github.com/Ontos-AI/knowhere
没想到才过了一个月，就收到了 1000 个 star ，真是太感谢大家了。
简单说一下，Knowhere 是一个文档解析与记忆层工具，它在 RAG 的整体流程中，主要做的是从原始文档到结构化知识的前期准备与管理工作。你可以把它理解为连接“混乱的原始文档”和“AI Agent”之间的一个高级中间件。跟我们常见的 MinerU 这类文档解析工具相比，它算是更新、更进一步的、AI 原生的产品。
区别就在于，MinerU 是传统 GOT-OCR 2.0 架构的代表，它底层是几个模型拼接的：
- 一个模型专门负责排版分析——识别出哪里是文字、哪里是图片、哪里是表格
- 一个模型专门负责文字识别
- 一个模型专门负责表格识别
- 一个模型专门负责公式识别
最后由一套规则把所有结果拼接整合，生成结构化输出。
这样平时在学术论文、技术报告等标准文档上是够用的，但是弊端也有，因为每个模型只管自己那一块嘛，所以任何一个出了问题，整条流水线的结果都会变差。
其次就是，遇到非标准文档（工程图纸、扫描件、手写笔记），各个模型容易水土不服，效果急剧变差。这也是困扰了我很久，并且想要自己动手做工具的起因。
最后就是维护成本高了，每个模型都要单独训练、单独升级、单独部署。
2025 年的时候，纯视觉路线出来了，整个流程被压缩为一步：不需要版面分析、不需要区域分类、不需要独立的文字识别器、表格识别器、公式识别器。一个足够强大的视觉语言模型，直接看着页面图片，输出你想要的任何格式化文本。
听起来是不是过于简化？但还得感谢咱多模态大模型的发展，对于越来越多的文档类型，纯视觉路线已经达到甚至超过了传统 pipeline 的质量，同时大幅降低了系统复杂度。
Knowhere 就是在这个路线上做起来的。
它能把从原始文件——解析与结构化——chunking——embedding——形成记忆，这整个流程的活儿都给你干了，你直接接上就行。
除了省事之外，它还有以下改进：
- 树形结构切分，保留文档的逻辑关联和层级路径，解析结果比传统切片好多了；
- 对构建的章节树、摘要、跨文档链接等信息进行组织，方便 AI 检索和导航；
- 与主流一次性的向量检索不同，它允许 AI 在知识结构中自主导航，实现混合检索；
- 不仅支持文本，还能通过视觉语言模型提取并链接图片和表格中的信息，尤其是难搞的 PDF 和 PPT 、Excel 等；
- 所有返回结果都带来源追踪，确保回答可溯源。
根据我们的测试，使用 Knowhere 处理后的文档，AI 回答准确率从 53%提升至 79%，首次搜索准确率提升了 36%。
如果你在 AI 平台里面使用，Knowhere 起码能为你省下一半的 token ，再也不用看到大的文档就肉疼了。
如果你也在做 agent 开发或知识库类的项目，那不妨尝试一下，希望能帮到各位老哥，谢谢： https://knowhereto.ai/?utm_source=v2ex
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。