卡片
我非常喜欢使用卡片笔记。其优点明显，例如能显著减轻写作压力。在你面对空白屏幕时，写一篇文章的压力可能会很大，而随时三言两语记录卡片笔记则显得更为轻松。由于笔记以卡片形式存在，可以进行大量重组复用，对于内容输出来说，非常友好。
然而，卡片笔记也会带来一些问题。信息分散在许多卡片中，在查找和使用时增加了困难。为了解决这个问题，现有的卡片笔记工具普遍采用了双链方法。
双链将笔记之间进行链接。当我们需要查找笔记时，不再仅仅按照关键词搜索，而是找到某一篇笔记作为种子，然后沿着链接指出的路径和聚簇关联，找到相关的卡片，并且进行整合输出。，Roam 和 等卡片笔记工具都提供了这样的双向链接功能。
疑问
近一段时间，我在知识星球和公众号后台时常收到读者的疑问：能否将 AI （例如 ）与我们的本地卡片笔记库进行交互？这样就可以获取与特定主题紧密相关的诸多卡片内容，并将它们有机地整合。然后利用 的自然语言问答交互能力，让 AI 以流畅、清晰、准确且综合的方式，回答我们的问题，形成独有的知识输出。
回答这个问题有些困难。单一文档的问答对话已经有很多解决方案，例如我之前推荐过的 等。然而，要从多文档中综合提取信息， 搞不定。好用的多文档问答工具倒是现成的，例如 。
好用归好用，价格却不能忽略。 最低月费是 19 美元。
一开始我觉得 19 美金 / 月这价格虽然不低，但如果能提高用户工作效率并带来竞争优势，或许值得。但是，我看到这篇作者的访谈后，就改变了想法。
作者观察到大部分用户一上来都选择了最低挡位的19美金，但是很快要么提高订阅等级（多交钱），要么干脆不续订了。这表明19 美元的月订阅费对大部分人来说，根本不够用。
好在我最近发现了一个新的应用，能以经济实惠的方式为大部分用户提供多文档对话功能。
应用
这款工具叫做 Quivr ，网址在这里。
使用之前，你需要先设置你的 API 密钥，然后选择相关的模型。我建议你选择gpt-3.5-turbo-16k模型，因为这个 6 月 13 日更新的模型 token 最大长度有显著提升，可以大概率避免答案中途无缘无故截断。
使用 Quivr 的过程里，你依然要为调用 API 付费。但是比起 19 美元起的月费，这个成本就显得微不足道了。
上传
Quivr 的界面简洁易用，用户可以将一系列文档拖拽上传，或者直接指定某个网址，它自己帮你爬取网站信息。这样一来，你就可以轻松愉快和自己的卡片笔记对话了。
为了演示方便和保护隐私，我上传了之前发布在公众号和知识星球、小报童的一些文章。如果这款工具可以妥善处理文章这样的长篇材料，那么卡片笔记篇幅短小，更是不在话下。
除了文本和 文件，Quivr 还支持其他类型的文件，如 PDF、、Excel、Word，甚至音频和视频。这意味着用户可以上传各种不同的材料和类型，然后统一进行提问，我认为这个设计准确抓住了知识生产用户的痛点。
在上传过程中，工具会提示哪些文件已成功上传。我上传的都是 纯文本文件，体积不大，很快就完成了。
在选项下，我们可以检查已经上传的文件，确认没有遗漏。
用户还可以通过图表查看当前存储空间的使用情况。如果你使用的资料都是 文件，这 200 MB 的空间应该能用一段时间了。
至此咱们的资料已经上传好了，下面可以开始提问了。
提问
我首先询问我的知识库中包含哪些 GPT 的应用介绍。
Quivr 返回了四个结果，其中前三个还算准确，而且明显不是来自单一文件，而是综合了多个文件的信息。除了过于笼统的第四个答案，我整体比较满意。
我接着提问 GPT-4 在编程上能提供何种帮助。它根据我的资料列出了一些具体应用，如代码解释器和 Chat等。
只是我不明白答案第二项这个自动化论文评分（AES）是啥，我没写过啊？结果在 里面一查询，发现是《AI 写文献回顾，好使吗？》一文中引用的 GPT-4 给出的答案。难怪，哈哈。
我进一步提问，哪些 GPT 功能和 GPT 插件可以用于科研文献回顾，并要求它给出综合结果并列出原始信息。
Quivr 将GPT 功能和GPT 插件（分别来自两篇不同的文章）分开处理，分别提供了来源。然而，我发现 Quivr 并未列出具体的文档名，而且部分结果存在误导，如将 误为文献回顾的插件。
我怀疑可能是我的提示词有误，于是我对提示词进行了修正，并提出新的问题。
这次我要求综合结果、具体细节，还要求了原始信息。
下面是 Quivr 的回答：
这答案看完，我颇为振奋。首先 Quivr 确实综合了大概 4 篇文档的内容，而且都进行了梳理提炼，在答案中列出这些原始文件名称，使得我们验证答案变得更为容易，也为进一步的知识挖掘提供了基础。
特色
另外我发现 Quivr 还保存了历次对话，以便于用户随时回顾和分析历史信息。这个功能可以帮助你不断与自己的卡片笔记库深入对话，找到深层次的洞察，发现可能被忽略的问题。
Quivr 是完全开源的，你可以在 上找到其源代码仓库。
Quivr 为用户提供了在本机部署服务的方法，使用的是 。如果你有需求，可以按照官方教程操作。
我们简要介绍一下 Quivr 所使用的技术。它的基础框架是 ，这是一个在 上特别受欢迎的库，评价超过 5 万颗星，月下载量过百万。
这个库的优势在于解决了人们使用大型语言模型时重复性操作问题。深度学习中求导、反向传播等重复性操作很恼人，于是催生了 和 这样的深度学习框架。同样， 也在事实上成为 LLM 应用领域的通用框架，你在目前海量涌现的 LLM 应用中，大多都能看见它的影子。
如果你对 感兴趣，我推荐这门由 Deep AI 和 官方联合推出的免费课程。
尽管这只是一门基础课程，但学过后你可以对一些已经存在的项目进行修改调整，满足你自己的应用需求。
安全
我知道读到这里，又有读者要跟我聊隐私数据泄漏问题了。有人坚持认为一调用 API ，你的数据就会被科技巨头收割。在 科研预览版阶段，这样的担心确实很有必要。我在去年 12 月第一次介绍 的时候就专门提过。不过我们也要注意与时俱进。自 2023 年 3 月 1 日起， 在数据政策上已经做出了重大的调整。
通过 API 上传的数据并不会被 用于训练或改进模型，除非用户明确要求这样做。由于法规要求， 会保留你通过 API 上传的数据 30 天，然后删除。
如果你就是对数据隐私高度敏感，无法使用 ，Quivr 也能帮到你。最近它已经支持了开源模型 。这个模型我之前给你介绍过的，在笔记本上就能运行。虽然处理复杂认知问题， 相较于 GPT-4 还有相当的差距，但是对若干份文档抽取重点做出解答，还足够胜任。
随着更多的本地化模型和开源模型的加入，个人和机构的知识库也可以完全在本地利用 Quivr 进行知识检索和问答，而无需担心数据隐私泄露。
小结
今天我为你介绍了利用 与你的卡片笔记库交互的免费开源软件 ——Quivr。从卡片中提取内容时减少手动查询操作，更减轻了你输入卡片时的整理压力。与 等应用相比，Quivr 免费开源。它支持多种文件格式，还可以使用本地开源大语言模型 等。希望它能对你的知识管理起到帮助。
如果你觉得本文有用，请点赞。
如果本文可能对你的朋友有帮助，请转发给他们。
欢迎关注我的专栏，以便及时收到后续的更新内容。
发表回复