Reor：让 AI 在本地"记住"你的一切

你有没有过这样的经历——写了一大堆笔记、文档、PDF 摘录，过了三个月回头找，怎么也翻不出来？传统的文件夹 + 搜索，只能靠关键词命中文本，一旦记错了词，就彻底失联。Reor 解决的就是这个痛点，它是一款完全本地运行的 AI 知识管理工具，核心理念是：你的数据、你的模型、你的设备，隐私不出一门。

一个"高信息密度人群"的知识困境

Reor 的 slogan 写道：「Private & local AI personal knowledge management app for high entropy people.」 所谓高熵，是指信息摄入量大、笔记分散、思维跳跃的一类人——他们可能同时在读论文、追博客、记灵感、做项目，日积月累的知识碎片散落在各个角落，彼此之间失去了联系。

这类人的困境不是"记不住"，而是"记了之后连不上"。传统笔记工具如 Notion、Obsidian 可以很好地组织结构，但关联关系需要人工维护。Reor 的思路是用 AI 自动完成这件事：它把每一篇笔记切分成小块（chunk），用 embedding 模型转成向量，存入本地向量数据库；当你在写某篇笔记时，Reor 自动找出语义上最相关的其他笔记，以侧边栏形式呈现，让你"意外发现"那些原本被遗忘的想法。

本地优先：为什么这很重要

你也许会问：Notion、Obsidian + AI 插件也能实现类似功能，为什么非要本地？答案集中在两个字——隐私。

当你把笔记发给 OpenAI、Claude 或任何在线 RAG 服务时，你的私人文档实际上已经离开你的控制。Reor 的设计哲学是：AI 工具默认应该在本地运行。它选择 Ollama 作为默认 LLM 引擎，Transformers.js 作为默认 embedding 引擎，LanceDB 作为向量数据库——三者都可以完全在本地运行，不依赖任何外部 API。这意味着即使在没有网络的环境下，Reor 依然能工作。

核心技术栈解析

Reor 是一款 Electron 桌面应用，前端基于 React + TypeScript + TailwindCSS + Tamagui（跨平台 UI 框架），使用 Vite 作为构建工具，后端 Node.js 运行在 Electron main process 中。

Embedding 层：默认使用 Transformers.js（W3C WebAI 计划的核心项目），可以直接在浏览器或桌面环境中运行 ONNX 优化后的 embedding 模型，如 BGE、All-MiniLM 等，无需 GPU。

向量存储层：采用 LanceDB——一款专为本地设计的向量数据库，以 Apache Arrow 格式存储，支持高效的向量相似度检索，在 electron/main/vector-database/lance.ts 中封装了数据库操作。

LLM 层：支持三种模式：① 通过 Ollama 连接本地运行的模型（如 Llama 3、Qwen、Mistral 系列）；② 通过 OpenAI-Compatible API 连接 Oobabooga、LocalAI 等本地推理服务；③ 直连 OpenAI / Anthropic 的在线 API。这样用户可以根据硬件条件灵活选择。

RAG 流程：用户提问 → 检索相关笔记 chunks → 组装 prompt → LLM 生成回答。答案附带来源引用，用户可以点击跳转到原始笔记。

核心功能体验

笔记编辑

Reor 提供类 Obsidian 的 Markdown 编辑器，支持双链笔记（[[link]] 语法）、标签系统、文件夹管理。内置图形化视图，可以俯瞰笔记之间的关联网络。

AI 问答（RAG）

在任意笔记或整个知识库上提问，Reor 会基于语义相似度从向量数据库中检索相关 chunks，将 chunks 作为上下文注入 prompt，调用 LLM 生成回答。答案不是凭空编造，而是严格基于你的笔记内容。

自动关联发现

编辑笔记时，侧边栏实时显示语义相似的其他笔记。这些关联不是手动打标签，而是 AI 自动计算的结果，有时候会意外地发现两篇看似无关的笔记其实说的是同一件事。

语义搜索

告别关键词匹配。输入"关于机器学习模型训练的经验总结"，Reor 能找到语义相关的内容，即使那些笔记里从没出现过"机器学习"这个词。

本地模型管理

内置模型下载管理界面，连接到 Ollama 库，可以一键下载、安装各种开源模型。换模型就像换频道一样简单。

部署与上手

Reor 提供三大平台（macOS、Windows、Linux）的预编译安装包，下载即用，无需配置环境。对于有开发能力的用户，可以通过源码构建：需要 Node.js >= 18、Git、npm，执行 npm install && npm run dev 即可启动开发模式。项目提供了 Containerfile（Podman），可以在容器环境中构建 Electron 应用。

硬件需求方面，Reor 本身是轻量级 Electron 应用，CPU 足够运行；但如果要用本地 LLM 做 RAG 问答，建议有 8GB+ 内存，GPU 则可选（Ollama 支持 CUDA 加速）。纯 embedding + 语义搜索不需要 GPU。

需要注意的是，当前 GitHub 仓库已于 2026 年 3 月归档为只读状态，意味着主开发可能已停止。但 Reor 本身已经是一个功能完整的版本，已发布的可执行文件仍然可以正常使用。

局限与挑战

Reor 并非完美。Electron 架构虽然跨平台，但桌面应用在移动端完全缺失，与现代人手机-电脑多设备协作的需求存在落差。其次，LanceDB 作为向量数据库，本地检索性能受限于磁盘 IO，大规模知识库（>10 万条笔记）可能有延迟。此外，本地 LLM 的能力上限受模型大小限制，在复杂问答场景下体验与 GPT-4 / Claude 3 有明显差距。

行业意义

Reor 代表了一个正在壮大的技术趋势：Local-First AI。随着 Ollama、LM Studio、Jan 等本地推理工具的成熟，以及 Transformers.js、WebLLM 等 Web 端运行技术的突破，"所有 AI 都在云端"的时代正在被逐步改写。Reor 的 RAG 实践证明了：完全本地、不依赖任何在线服务的 AI 知识管理，在技术上已经可行。

它与 Obsidian（笔记）、Mem（知识库）、Notion AI（在线 AI）、Cherry Studio（本地 LLM 聚合）都存在功能交叉，但 Reor 的差异化在于：它是第一个把本地 RAG 作为默认模式的主流笔记工具。这种"默认隐私"的设计选择，在数据安全意识日益增强的今天，恰好踩中了市场需求的转折点。

如果你是一个重视知识资产隐私、渴望用 AI 加持笔记系统、且有一定技术背景的用户，Reor 值得尝试。即使主项目停止维护，其开源代码也为类似产品的开发提供了极具价值的参考实现。

图1：Reor 应用界面演示，自动关联笔记并支持 AI 问答

图2：Reor 应用图标