Matrix 首頁推薦
Matrix 是少數派的寫作社區，我們主張分享真實的産品體驗，有實用價值的經驗與思考。我們會不定期挑選 Matrix 最優質的文章，展示來自用戶的最真實的體驗和觀點。
文章代表作者個人觀點，少數派僅對标題和排版略作修改。
卡片
我非常喜歡使用卡片筆記。其優點明顯，例如能顯著減輕寫作壓力。在你面對空白屏幕時，寫一篇文章的壓力可能會很大，而随時三言兩語記錄卡片筆記則顯得更爲輕松。由于筆記以卡片形式存在，可以進行大量重組複用，對于内容輸出來說，非常友好。
然而，卡片筆記也會帶來一些問題。信息分散在許多卡片中，在查找和使用時增加了困難。爲了解決這個問題，現有的卡片筆記工具普遍采用了雙鏈方法。
雙鏈将筆記之間進行鏈接。當我們需要查找筆記時，不再僅僅按照關鍵詞搜索，而是找到某一篇筆記作爲種子，然後沿着鏈接指出的路徑和聚簇關聯，找到相關的卡片，并且進行整合輸出。Obsidian，Roam Research 和 Logseq 等卡片筆記工具都提供了這樣的雙向鏈接功能。
疑問
近一段時間，我在知識星球和公衆号後台時常收到讀者的疑問：能否将 AI （例如 ChatGPT）與我們的本地卡片筆記庫進行交互？這樣就可以獲取與特定主題緊密相關的諸多卡片内容，并将它們有機地整合。然後利用 ChatGPT 的自然語言問答交互能力，讓 AI 以流暢、清晰、準确且綜合的方式，回答我們的問題，形成獨有的知識輸出。
回答這個問題有些困難。單一文檔的問答對話已經有很多解決方案，例如我之前推薦過的 ChatDoc 等。然而，要從多文檔中綜合提取信息，ChatDoc 搞不定。好用的多文檔問答工具倒是現成的，例如 ChatBase 。
好用歸好用，價格卻不能忽略。ChatBase 最低月費是 19 美元。
一開始我覺得 19 美金 / 月這價格雖然不低，但如果能提高用戶工作效率并帶來競争優勢，或許值得。但是，我看到這篇作者的訪談後，就改變了想法。
作者觀察到大部分用戶一上來都選擇了最低擋位的 19 美金，但是很快要麽提高訂閱等級（多交錢），要麽幹脆不續訂了。這表明 19 美元的月訂閱費對大部分人來說，根本不夠用。
好在我最近發現了一個新的應用，能以經濟實惠的方式爲大部分用戶提供多文檔對話功能。
應用
這款工具叫做 Quivr ，網址在這裏。
使用之前，你需要先設置你的 OpenAI API 密鑰，然後選擇相關的模型。我建議你選擇 gpt-3.5-turbo-16k 模型，因爲這個 6 月 13 日更新的模型 token 最大長度有顯著提升，可以大概率避免答案中途無緣無故截斷。
使用 Quivr 的過程裏，你依然要爲調用 OpenAI API 付費。但是比起 ChatBase 19 美元起的月費，這個成本就顯得微不足道了。
上傳
Quivr 的界面簡潔易用，用戶可以将一系列文檔拖拽上傳，或者直接指定某個網址，它自己幫你爬取網站信息。這樣一來，你就可以輕松愉快和自己的卡片筆記對話了。
爲了演示方便和保護隐私，我上傳了之前發布在公衆号和知識星球、小報童的一些文章。如果這款工具可以妥善處理文章這樣的長篇材料，那麽卡片筆記篇幅短小，更是不在話下。
除了文本和 Markdown 文件，Quivr 還支持其他類型的文件，如 PDF、PowerPoint、Excel、Word，甚至音頻和視頻。這意味着用戶可以上傳各種不同的材料和類型，然後統一進行提問，我認爲這個設計準确抓住了知識生産用戶的痛點。
在上傳過程中，工具會提示哪些文件已成功上傳。我上傳的都是 markdown 純文本文件，體積不大，很快就完成了。
在 Explore 選項下，我們可以檢查已經上傳的文件，确認沒有遺漏。
用戶還可以通過圖表查看當前存儲空間的使用情況。如果你使用的資料都是 Markdown 文件，這 200 MB 的空間應該能用一段時間了。
至此咱們的資料已經上傳好了，下面可以開始提問了。
提問
我首先詢問我的知識庫中包含哪些 GPT 的應用介紹。
Quivr 返回了四個結果，其中前三個還算準确，而且明顯不是來自單一文件，而是綜合了多個文件的信息。除了過于籠統的第四個答案，我整體比較滿意。
我接着提問 GPT-4 在編程上能提供何種幫助。它根據我的資料列出了一些具體應用，如 代碼解釋器 和 Github Copilot Chat 等。
隻是我不明白答案第二項這個自動化論文評分（AES）是啥，我沒寫過啊？結果在 Obsidian 裏面一查詢，發現是《AI 寫文獻回顧，好使嗎？》一文中引用的 GPT-4 給出的答案。難怪，哈哈。
我進一步提問，哪些 GPT 功能和 GPT 插件可以用于科研文獻回顧，并要求它給出綜合結果并列出原始信息。
Quivr 将 GPT 功能 和 GPT 插件（分别來自兩篇不同的文章）分開處理，分别提供了來源。然而，我發現 Quivr 并未列出具體的文檔名，而且部分結果存在誤導，如将 Wolfram 誤爲文獻回顧的插件。
我懷疑可能是我的提示詞有誤，于是我對提示詞進行了修正，并提出新的問題。
這次我要求綜合結果、具體細節，還要求了原始信息。
下面是 Quivr 的回答：
這答案看完，我頗爲振奮。首先 Quivr 确實綜合了大概 4 篇文檔的内容，而且都進行了梳理提煉，在答案中列出這些原始文件名稱，使得我們驗證答案變得更爲容易，也爲進一步的知識挖掘提供了基礎。
特色
另外我發現 Quivr 還保存了曆次對話，以便于用戶随時回顧和分析曆史信息。這個功能可以幫助你不斷與自己的卡片筆記庫深入對話，找到深層次的洞察，發現可能被忽略的問題。
Quivr 是完全開源的，你可以 在 GitHub 上找到其源代碼倉庫。
Quivr 爲用戶提供了在本機部署服務的方法，使用的是 Docker。如果你有需求，可以按照官方教程操作。
LangChain
我們簡要介紹一下 Quivr 所使用的技術。它的基礎框架是 LangChain，這是一個在 GitHub 上特别受歡迎的庫，評價超過 5 萬顆星，月下載量過百萬。
LangChain 這個庫的優勢在于解決了人們使用大型語言模型時重複性操作問題。深度學習中求導、反向傳播等重複性操作很惱人，于是催生了 TensorFlow 和 PyTorch 這樣的深度學習框架。同樣，LangChain 也在事實上成爲 LLM 應用領域的通用框架，你在目前海量湧現的 LLM 應用中，大多都能看見它的影子。
如果你對 LangChain 感興趣，我推薦 這門由 Deep Learning AI 和 LangChain 官方聯合推出的免費課程。
盡管這隻是一門基礎課程，但學過後你可以對一些已經存在的項目進行修改調整，滿足你自己的應用需求。
安全
我知道讀到這裏，又有讀者要跟我聊隐私數據洩漏問題了。有人堅持認爲一調用 OpenAI API ，你的數據就會被科技巨頭收割。在 ChatGPT 科研預覽版階段，這樣的擔心确實很有必要。我在去年 12 月第一次介紹 ChatGPT 的時候就專門提過。不過我們也要注意與時俱進。自 2023 年 3 月 1 日起，OpenAI 在數據政策上已經做出了重大的調整。
通過 API 上傳的數據并不會被 OpenAI 用于訓練或改進模型，除非用戶明确要求這樣做。由于法規要求，OpenAI 會保留你通過 API 上傳的數據 30 天，然後删除。
如果你就是對數據隐私高度敏感，無法使用 OpenAI ，Quivr 也能幫到你。最近它已經支持了開源模型 GPT4All 。這個模型我之前給你介紹過的，在筆記本上就能運行。雖然處理複雜認知問題，GPT4All 相較于 GPT-4 還有相當的差距，但是對若幹份文檔抽取重點做出解答，還足夠勝任。
随着更多的本地化模型和開源模型的加入，個人和機構的知識庫也可以完全在本地利用 Quivr 進行知識檢索和問答，而無需擔心數據隐私洩露。
小結
今天我爲你介紹了利用 ChatGPT 與你的卡片筆記庫交互的免費開源軟件—— Quivr。從卡片中提取内容時減少手動查詢操作，更減輕了你輸入卡片時的整理壓力。與 ChatBase 等應用相比，Quivr 免費開源。它支持多種文件格式，還可以使用本地開源大語言模型 GPT4All 等。希望它能對你的知識管理起到幫助。
如果你覺得本文有用，請充電。
如果本文可能對你的朋友有幫助，請轉發給他們。
歡迎關注我的專欄「科研利器」，以便及時收到後續的更新内容。
點擊這個鏈接加入少數派會員，立享 9 折優惠！獲得專屬會員内容、會員播客以及會員定制周邊。在更多的領域和方向幫你打開腦洞，找到新的興趣點，與少數派一起洞悉當下，探索新知。
延伸閱讀
> 下載 少數派 2.0 客戶端、關注 少數派公衆号，閱讀更多 WWDC23 專題報道
