影片筆記：憑什麼筆記要被平台綁架？NoteGen 完全開源，本地優先，你的知識資產自己掌握

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=53 已先套用暫定修正：把筆記流程分成獨立的 → 把筆記流程分成獨立的「記錄」、「筆記」和「AI 對話」三個空間。；segment=131 已先套用暫定修正：Windows、macOS、Linux、Android → Windows、macOS、Linux、Android 和 iOS 這五大平台，）
• 待修正：逐字稿可先使用，但有待校正清單（segment=2 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=3 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

影片深度解析了由 codexu 開發的開源專案 note-gen，該工具透過「先捕捉，後整理」的理念，結合 Tauri/Rust 技術架構與本地 RAG 技術，提供跨平台（Windows/macOS/Linux/Android/iOS）的個人化知識管理體驗，旨在解決傳統筆記軟體難以處理碎片化靈感與資料綁架的問題。

核心重點

1. 核心理念「先捕捉，後整理」：

• 針對傳統筆記軟體（如 Notion、Obsidian）假設輸入內容完整、難以處理碎片化想法的痛點。
• 將流程分為三個獨立空間：「記錄」、「筆記」和「AI 對話」。
• 讓使用者無壓力地丟入混亂素材（一句話、截圖、網址），事後再透過 AI 加工整理。

1. 技術架構與優勢：

• 採用 Tauri（前端）與 Rust（後端），相比 Electron 更輕量，安裝檔小、記憶體佔用少。
• 確保處理檔案及與 AI 模型溝通時的效率與安全性。
• 資料以本地 Markdown 格式儲存，避免被單一平台綁死。

1. 核心技術：本地 RAG（檢索增強生成）：

• 將筆記內容拆解、分析轉為「向量」格式存入本地資料庫。
• 提問時，先從筆記中「檢索」相關內容，再交給大型語言模型「生成」答案。
• 基於使用者自身知識回答，非網路通用資訊，提升精準度與個人化。

1. 市場反響：

• GitHub 上累積超過 11,658 顆星，單日增加 251 顆星，Fork 數達 867。
• 被視為一款個人化的「思緒處理器」。

詳細大綱

一、 專案背景與定位

• 開發者：codexu。
• 專案名稱：note-gen。
• 目標受眾與痛點：
• 傳統筆記軟體不擅長處理零散、混亂想法。
• 初期靈感往往是不連貫的（如一句話、截圖、網址）。
• 解決方案：
• 開源、跨平台的 Markdown AI 筆記軟體。
• 將筆記流程分為三個空間：

1. 記錄：專心丟入混亂素材。
2. 筆記：結構化後的知識。
3. AI 對話：與知識互動。

二、 技術架構解析

• 前端框架 Tauri：
• 輕量應用程式外殼，直接使用作業系統內建瀏覽器引擎。
• 優點：安裝檔更小、記憶體佔用更少。
• 後端語言 Rust：
• 確保效能與資料主權。
• RAG（檢索增強生成）運作原理：

1. 向量化：背景將筆記內容拆解、分析，轉為「向量」格式存入本地資料庫。
2. 檢索：提問時，先從筆記中「檢索」最相關的內容。
3. 生成：將檢索內容與問題一併交給大型語言模型「生成」答案。

• 優勢：
• 專屬於個人的知識助理。
• 基於使用者自身知識回答，非網路通用資訊。

三、 應用場景

• 研究人員：
• 將論文段落、想法、圖表截圖丟入「記錄」區。
• 利用 AI 整理成結構化的文獻回顧初稿。
• 內容創作者：
• 作為數位靈感箱收集素材。
• 透過 AI 對話擴寫、潤飾，快速產出文章或腳本。
• 技術學習者：
• 收集程式碼片段、官方文件連結。
• 透過 RAG 知識庫與學習材料對話，加深理解。

四、 潛在挑戰與風險

• 跨平台維護成本高：
• 需同時支援 Windows、macOS、Linux、Android 和 iOS。
• 手機版處於早期開發階段，確保體驗一致穩定具挑戰性。
• 依賴第三方模型服務：
• API 變動、價格調整或服務不穩定會直接影響體驗。
• 未指定具體使用的模型名稱（泛指大型語言模型）。
• 本地 RAG 效能瓶頸：
• 當筆記達數萬篇時，在舊硬體上索引和檢索效能可能受限。
• 同步複雜度：
• 支援多種同步方式雖具彈性，但增加同步衝突和資料一致性問題的複雜度。

五、 總結

• note-gen 不僅是筆記軟體，更是個人化的「思緒處理器」。
• 將 AI 融入知識工作流程，從捕捉到產出。
• 將複雜的「個人知識庫問答」變為開箱即用的內建體驗。
• 適合希望將混亂思緒轉化為結構化知識的使用者。

工具 / 模型 / 名詞整理

• note-gen：開源、跨平台的 Markdown AI 筆記軟體專案。
• codexu：note-gen 的開發者。
• Tauri：前端應用程式框架（輕量，使用系統瀏覽器引擎）。
• Electron：被對比提及的應用程式框架（較重）。
• Rust：後端開發語言。
• RAG (Retrieval-Augmented Generation)：檢索增強生成技術。
• 向量：筆記內容轉換的數學格式，用於本地資料庫存儲。
• 大型語言模型：用於生成答案的模型類別（影片未指定具體型號）。
• Notion：被提及的筆記軟體（作為對照組）。
• Obsidian：被提及的筆記軟體（作為對照組）。
• Markdown：資料儲存格式，確保資料可攜性。
• GitHub：專案託管平台。
• 支援平台：Windows、macOS、Linux、Android、iOS。

操作流程整理

1. 捕捉階段（記錄空間）：

• 使用者將碎片化想法、截圖、網址、程式碼片段等素材丟入「記錄」區。
• 無需擔心格式或結構，專注於捕捉靈感。

1. 處理階段（背景運作）：

• 系統在背景將筆記內容拆解、分析。
• 將內容轉為「向量」格式。
• 存入本地資料庫。

1. 互動階段（筆記與 AI 對話空間）：

• 使用者提出問題。
• 系統從本地筆記中「檢索」最相關的向量內容。
• 將檢索內容與問題一併交給大型語言模型。
• 模型「生成」基於使用者個人知識的答案。

1. 產出階段：

• 獲得結構化的知識、文獻回顧初稿或擴寫後的內容。
• 資料以本地 Markdown 格式保存。

值得注意的限制或風險

1. 手機版成熟度：Android 和 iOS 版本處於早期開發階段，跨平台體驗一致性與穩定性面臨挑戰。
2. 第三方服務依賴：依賴外部大型語言模型 API，若服務變動、漲價或停擺，將直接影響使用者體驗。
3. 硬體效能限制：本地 RAG 在筆記數量達到數萬篇時，於舊硬體上可能出現索引和檢索效能瓶頸。
4. 同步衝突風險：多平台同步機制可能帶來資料一致性問題與同步衝突。
5. 模型具體型號不明：影片中未明確指出 note-gen 預設或支援的具體 AI 模型名稱（如 GPT-4, Claude 等），僅泛指「大型語言模型」。

逐字稿辨識疑點

• 標點與斷句問題：
• Segment 2, 3, 9, 20, 23, 24, 28, 29, 31, 33, 34, 35 均出現 unnatural_sentence_boundary 警告，標點出現在句首或停在逗號位置，斷句可能不符合文法/口語。建議檢視原始逐字稿確認語意完整性。
• 語意重複或口誤：
• 「和 iOS 這五大平台」：逐字稿中重複提及此語句，可能為口誤或辨識錯誤。
• 「大到好幾萬篇的時候」：逐字稿中重複提及此語句，可能為口誤或辨識錯誤。
• 技術名詞細節：
• 「向量」：雖為常見技術詞彙，但逐字稿中未詳細解釋其具體技術實現細節，僅描述為「數學格式」。
• 「AI 模型」：逐字稿中泛指「大型語言模型」與「第三方模型服務」，未指定具體使用的模型名稱。

可延伸追問

1. note-gen 目前支援哪些具體的第三方 AI 模型供應商？是否允許使用者自訂 API Key 接入不同模型？
2. 本地 RAG 的向量資料庫採用何種格式或標準？是否支援匯出向量數據以便遷移？
3. 針對手機版早期開發階段，開發者 codexu 是否有明確的發布時程或功能規劃？
4. 在「同步複雜度」方面，note-gen 目前支援哪些具體的同步協議或雲端服務（如 WebDAV, Git, 或專屬雲端）？
5. 相較於 Obsidian 等現有開源筆記軟體，note-gen 的 RAG 功能在本地運算資源消耗上有何具體差異？