OpenKnowledge：普通人用 AI 搭建私人本地知识库的完整指南

OpenKnowledge: A Complete Guide to Building Your Personal Local KB with AI

Jul 2, 2026

更新于 Jul 2, 2026

🇨🇳 中文

GitHub: Inkeep/open-knowledge · ⭐ 1,773 · GPL-3.0
官网: openknowledge.ai · 最新版本: v0.24.0（2026-07-02）
支持平台: macOS（Apple Silicon 原生 App）+ Linux/Windows/Intel Mac（CLI + Web UI）

你的知识为什么总是”丢失”？

你可能也有这样的经历：

收藏夹里有几百个链接，从来不回去看
Notion 笔记越记越多，但搜索的时候根本找不到想要的
用 RAG 方案接了一个”知识库助手”，但它的回答和实际文档之间总有说不清楚的偏差
笔记记了，但自己从来不整理，最后就是一堆乱文件

这些方案的共同问题：维护成本在你身上。你要负责整理、分类、关联——而这正是人类最不擅长坚持的事情。

OpenKnowledge 换了一种思路：让 AI Agent 来负责整理，你只需要提供原材料。

OpenKnowledge 是什么？

一句话：AI-native 的本地 Markdown 编辑器，你写 / AI 整理，文件存本地，你随时能读。

它由三层构成：

┌─────────────────────────────────────────────────────┐
│  Layer 1：编辑器 (Editor)                            │
│  WYSIWYG Markdown，像写 Notion 一样，但底层是 .md 文件│
├─────────────────────────────────────────────────────┤
│  Layer 2：Agent 工具 (MCP / Skills)                  │
│  Claude、Codex、Cursor 通过 MCP 直接读写你的知识库    │
├─────────────────────────────────────────────────────┤
│  Layer 3：内容 (Content)                             │
│  普通 Markdown 文件，Git 管理，没有黑盒格式            │
└─────────────────────────────────────────────────────┘

和其他方案的对比：

方案	谁来整理？	存在哪里？	能直接读吗？	时间越久越好还是越乱？
普通笔记	你	本地	✅	越乱
Notion	你	云端	✅	越乱
RAG 向量库	你（源文档）+ 向量化	数据库	❌（索引是黑盒）	维护成本高
OpenKnowledge	AI Agent	本地 .md 文件	✅	越聪明

安装方法

macOS（Apple Silicon，推荐）

下载 DMG → 拖入 Applications → 启动。

点此下载最新版

Linux / Windows / Intel Mac（CLI 方式）

需要 Node.js 24+（nodejs.org 下载）和 git：

# 安装命令行工具（一次）
npm install -g @inkeep/open-knowledge

# 进入你的项目文件夹（或新建）
mkdir my-knowledge-base && cd my-knowledge-base

# 初始化：自动检测并配置 Claude Code / Cursor / Codex
ok init

# 启动编辑器，在浏览器里打开
ok start --open

ok init 会自动检测你电脑上安装的 AI Agent（Claude Code、Cursor、Codex），并完成 MCP 配置——不需要手动配置。

核心概念：Karpathy 的 LLM Wiki 模式

OpenKnowledge 内置了 Andrej Karpathy（特斯拉前 AI 总监） 提出的知识库组织模式。

三层文件结构

my-knowledge-base/
├── external-sources/   ← 原始资料（只读，不修改）
│   ├── paper-xyz.md
│   ├── github-readme.md
│   └── news-article.md
├── research/           ← 研究笔记（AI 综合，有引用，暂定状态）
│   └── topic-analysis.md
├── articles/           ← 正式文章（确认后晋升到这里）
└── log.md              ← 操作日志（追加，不修改）

关键原则：

external-sources/：放原始资料，AI 只读不改，保持原样
research/：AI 综合出来的分析文章，标注 status: provisional，每条结论都引用 external-sources 里的具体文件
articles/：经过你确认”没问题”后，从 research 晋升上来的正式内容
log.md：AI 每次操作都追加记录，可审计

这个结构解决了一个核心问题：知识库不再因为 AI 乱改而腐烂——原始资料不可动，分析内容有引用链，你看到的每个结论都能追溯来源。

5 步搭建你自己的知识库

第 1 步：创建项目

macOS App：

打开 OpenKnowledge
点击「Create new project」
输入项目名（如：个人技术研究库）
点击「Create」

CLI：

mkdir ~/my-kb && cd ~/my-kb
ok init
ok start --open

第 2 步：初始化 Knowledge base 模板

在编辑器的空白起始页，点击「Pick a starter pack」→ 选择 Knowledge base → 确认根目录位置 → 点击「Apply」。

这一步会自动创建 external-sources/、research/、articles/ 文件夹，以及 log.md，并为每个文件夹写好让 AI 能读懂的”规则说明”——不需要你手写 CLAUDE.md。

第 3 步：接入你的 AI Agent

如果你安装了 Claude Code、Cursor 或 Codex，ok init 已经自动配置好了 MCP。验证一下：

在你的 AI Agent 里输入：

OpenKnowledge 里有哪些可用工具？

你应该能看到 mcp__open-knowledge__workflow、mcp__open-knowledge__search、mcp__open-knowledge__write 等工具出现。

第 4 步：让 AI 帮你”录入”资料

这是最核心的操作。把你想归档的内容（链接、文章、论文、笔记）发给 AI，说：

帮我把这个链接的内容录入知识库：https://...

AI 会：

抓取内容
调用 ingest 工具
在 external-sources/ 里创建带 frontmatter 的 Markdown 文件（记录来源 URL、抓取时间、作者信息）
在 log.md 里追加操作记录

录完几个资料后，说：

帮我综合一下 external-sources 里关于 [某个主题] 的内容，写一篇研究笔记放到 research/ 里

AI 会读取所有相关原始资料，综合成一篇引用链完整的分析文章，放到 research/agent-framework-evaluation.md（status: provisional）。

第 5 步：日常使用——问问题

之后，你不用再去翻原始资料了。直接问 AI：

我的知识库里关于 [某个问题]，有什么结论？

AI 会搜索 research/ 和 external-sources/，循着引用链给你一个有据可查的答案——而不是凭空捏造。

关键功能亮点

WYSIWYG 编辑体验

不用关心 Markdown 语法，就像写 Google Doc 或 Notion 一样。需要看原始 Markdown？一键切换 Source 模式。两个视图共用同一个文档，AI Agent 通过 MCP 写的内容会实时显示在你的编辑器里。

知识图谱 & Wiki 链接

文档之间可以互相 [[链接]]，右侧面板显示：

当前文档的大纲
入链和出链（哪些文档引用了这篇，这篇引用了哪些）
图谱视图（可视化知识关联）

时间线 & 版本恢复

AI 每次编辑都留下独立记录，可以：

查看每次 AI 操作的 diff（改了什么）
选择性回滚某次 AI 的修改（不影响其他内容）
按时间轴浏览知识库的演变历史

不需要向量数据库

AI 的搜索是直接搜索 Markdown 文件（grep + 跟踪 backlinks），没有”向量化”这一步，也没有”索引和原文不同步”的问题。你看到的结构就是 AI 实际搜索的结构。

真正的本地优先

所有内容是普通 .md 文件，存在你的磁盘上。Git 管理版本。没有云服务依赖，没有账号注册，没有月费。

实际使用场景

技术研究库

每次读论文、看技术博客，录入 external-sources，让 AI 综合到 research 笔记里。一个月后你有一个真正可以检索的技术知识库，而不是一堆书签。

学习笔记

把课程讲义、教程 URL、代码示例全部录入，AI 帮你整理成主题化的 research 笔记。有问题直接问，AI 从你自己的学习资料里找答案。

工作项目文档

把需求文档、会议记录、设计文档放进去，AI 负责整理和关联。再也不需要花时间搜”那个决策是什么时候在哪个文档里做的”。

个人兴趣领域跟踪

追踪某个领域（AI / 投资 / 某项技术）的最新动态，每次看到好内容就录入，AI 负责和已有内容整合，帮你找新旧知识的联系。

可选进阶：团队共享

如果你想和团队共享知识库：

在编辑器里开启 Auto-sync（基于 Git/GitHub）
知识库自动推送到 GitHub 私仓
团队成员各自打开，AI 编辑时实时协作（CRDT 同步）

不需要额外的服务器，Git 就是后端。

快速上手总结

第一步：安装
  macOS Apple Silicon → 下载 DMG，拖入 Applications
  其他平台 → npm install -g @inkeep/open-knowledge

第二步：新建项目
  App：Create new project
  CLI：mkdir my-kb && cd my-kb && ok init && ok start --open

第三步：初始化模板
  空白页面 → Pick a starter pack → Knowledge base → Apply

第四步：接入 AI Agent
  ok init 已自动配置，直接在 Claude Code/Cursor 里使用

第五步：录入内容
  发给 AI："帮我录入这个链接" → AI 写入 external-sources

第六步：让 AI 整理
  发给 AI："综合一下 [主题] 的内容，写到 research/" → AI 完成

第七步：日常使用
  直接问 AI 问题，它从你的知识库里找有引用的答案

资源汇总

资源	地址
GitHub 仓库	https://github.com/Inkeep/open-knowledge
官网	https://openknowledge.ai
macOS 下载	https://github.com/inkeep/open-knowledge/releases/latest
快速开始文档	https://openknowledge.ai/docs/get-started/quickstart
Karpathy LLM Wiki 工作流	https://openknowledge.ai/docs/workflows/karpathy-llm-wiki
Discord 社区	https://discord.com/invite/YujKpFN49
X (Twitter)	https://x.com/OpenKnowledgeAI
原始 Karpathy Gist	https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

© 2026 Author: Mycelium Protocol. 本文采用 CC BY 4.0 授权。

🇬🇧 English

TL;DR: OpenKnowledge (1,773 ⭐, GPL-3.0) is a local-first AI-native markdown editor where Claude, Codex, or Cursor actively writes and organizes your knowledge base via MCP. Built on Karpathy’s LLM wiki pattern: raw sources go into external-sources/ (immutable), AI synthesizes them into research/ (cited, provisional), you promote to articles/ when confident. No vector database — agents search your live markdown files directly. Everything stays on your disk as plain .md files.

Why Your Notes Always Get Lost

Most note-taking approaches fail the same way: maintenance burden stays with you. You’re responsible for organizing, categorizing, and linking — exactly what humans are worst at sustaining over time.

OpenKnowledge flips this: the AI agent handles organization. You supply raw material.

Three Layers

Editor:  WYSIWYG markdown (like Notion, but files stay local)
Agents:  Claude / Codex / Cursor write via MCP in real-time  
Content: Plain .md files, git-versioned, nothing proprietary

The Karpathy Pattern

Andrej Karpathy’s LLM wiki structure (built into OpenKnowledge’s Knowledge Base starter pack):

Folder	Role	Who touches it
`external-sources/`	Raw sources, verbatim + metadata	AI ingests, never edits
`research/`	Cited synthesis, status: provisional	AI writes, you review
`articles/`	Confirmed canonical knowledge	You promote from research
`log.md`	Append-only audit trail	AI appends per operation

Key insight: every claim in research/ cites a specific file in external-sources/. You can always trace where a conclusion came from.

Quick Start (CLI)

npm install -g @inkeep/open-knowledge
mkdir my-kb && cd my-kb
ok init          # auto-configures Claude Code / Cursor / Codex via MCP
ok start --open  # opens editor in browser

macOS Apple Silicon: download the desktop app DMG instead.

Daily Workflow

Ingest — paste a URL or paste text, tell AI to ingest it → lands in external-sources/
Research — ask AI to synthesize a topic → AI writes a cited research/ note
Query — ask a question → AI searches your files and cites sources, not hallucination
Promote — when you’re confident in a research note, AI moves it to articles/

What Makes It Different

No vector database — agents grep and follow backlinks across live markdown files
Local first — your files, your disk, git for version control, no cloud lock-in
CRDT collaboration — you and multiple AI agents can edit the same doc simultaneously; see per-burst agent diffs, selectively roll back
Timeline recovery — every AI edit is tracked; revert specific agent sessions without losing your own edits
Knowledge graph — wiki links [[like this]] with graph visualization of connections

Links: GitHub · Docs · Download

© 2026 Author: Mycelium Protocol. Licensed under CC BY 4.0.

💬 评论与讨论

使用 GitHub 账号登录后发表评论