用 Rust 和 AI 搭建个人知识库从笔记到可检索的第二大脑方案前言上个月我终于受不了了决定用 Rust AI 搭一个属于自己的知识库系统。这篇文章就是整个方案的复盘——从数据收集到向量检索一整套流程。一、整体架构设计1.1 系统的三个层次整个知识库系统分三个层次数据采集层Markdown 笔记、代码片段、网页剪藏、GitHub Issues、处理管线文件监听、文本分块、Embedding 生成、向量存储、检索服务CLI 查询、全文搜索、混合排序、AI 摘要。每个层次的职责很清晰采集层负责把散落的知识碎片聚合在一起处理管线负责把原始文本变成可检索的向量检索服务负责把查询变成有用的结果。架构设计的核心原则是增量更新——不是每次全量重建索引而是通过文件监听自动检测变更只重新处理修改过的文件。这保证了知识库的数据始终最新不需要手动触发索引。1.2 技术选型的考量文件监听用 notify crate——纯 Rust跨平台支持增量更新。文本分块用自定义 Markdown parser基于 pulldown-cmark——按标题层级智能分块不截断代码块。Embedding 用 OpenAI text-embedding-3-small——性价比最高1536 维向量每次调用约 $0.0001。向量数据库用 Qdrant——支持混合搜索Rust 客户端成熟。全文搜索用 tantivy——类似 Lucene纯 Rust性能好。一个重要的备选方案是 fastembed crate——本地 embedding 模型离线可用不依赖 API。我的当前方案依赖 OpenAI API在离线环境下不可用。后续计划切换到 fastembed 实现完全本地化。二、核心处理管线的设计思路2.1 文件监听与增量索引文件监听器用 notify crate 实现递归监听笔记目录只关注.md文件变更。每次变更生成一个ChangeEventCreated/Modified/Deleted推入队列供后续处理。增量索引的设计思路是Created 事件触发完整处理流程分块 → Embedding → 存储Modified 事件先删除旧索引再重新处理Deleted 事件只删除旧索引。这样只处理变更的文件而不是每次全量重建。实际使用中有个坑某些编辑器如 Obsidian保存文件时会触发多次 Modify 事件先写临时文件再重命名导致同一个文件被重复处理。我加了 500ms 的防抖——同一文件在 500ms 内的多次变更合并为一次处理。2.2 智能文本分块按标题层级切分文本分块是整个管线中最关键的步骤直接影响检索质量。我选择了按 Markdown 标题层级切分而不是按固定字符数切分——因为标题是天然的语义边界切出来的块语义完整性更好。分块器维护一个标题栈如[Rust, 所有权, 借用规则]每个块都记录自己的标题路径。这样搜索结果可以显示这个块来自 Rust 所有权 借用规则用户一眼就知道上下文。// 分块结果——每个块有标题路径、文件路径、代码块数量等元数据 #[derive(Debug, Clone)] pub struct DocumentChunk { pub id: String, // 唯一标识: 文件路径:行号:序号 pub content: String, // 块文本内容 pub file_path: String, // 所属文件路径 pub heading_path: VecString, // 标题路径: [Rust, 所有权, 借用规则] pub code_block_count: usize, // 代码片段数量 pub char_count: usize, // 字符数 }这个结构体展示了分块结果的核心元数据。heading_path是最关键的字段——它让搜索结果不只是一段文字而是有明确上下文的知识片段。用户看到heading_path [Rust, 所有权, 借用规则]就知道这段文字是在讲 Rust 所有权中的借用规则而不是泛泛的借用概念。分块器的参数有三个min_chunk_size低于此阈值合并到上一块避免碎片化、max_chunk_size超过此阈值强制分割避免单块过大、overlap_size块之间重叠的字符数防止语义断裂。我的经验值是min100、max2000、overlap100。2.3 Embedding 生成与批量优化Embedding 生成用 OpenAI 的 text-embedding-3-small 模型每次调用最多支持 2048 个文本。我实现了批量生成接口一次调用处理多个块——比逐个调用快 10 倍以上API 的网络延迟是主要瓶颈批量请求只需一次网络往返。成本方面text-embedding-3-small 的定价是 $0.02/1M tokens。我的知识库约 500 个 Markdown 文件分块后约 2000 个块全量索引的 embedding 成本不到 $0.5。增量更新每月新增约 50 个块成本几乎可以忽略。一个需要注意的细节OpenAI 的 embedding API 有速率限制每分钟最多 1500 次请求。批量生成可以减少请求次数但单次请求的文本数量也有上限。我设置了每批最多 100 个文本配合 500ms 的请求间隔从未触发过速率限制。三、混合检索系统3.1 为什么混合搜索优于纯向量搜索纯向量搜索的问题在于语义匹配好但精确匹配差。比如搜索Arc::new向量搜索可能返回所有提到Arc的内容包括 ArcGIS、Archive 等无关内容而全文搜索BM25能精确匹配函数名。混合搜索把两种搜索的结果融合起来用 RRFReciprocal Rank Fusion算法排序。RRF 的公式很简单score 1/(k rank)对每个搜索来源求和k通常设为 60。排名越靠前贡献越大两个搜索都排名靠前的结果得到最高融合分数。3.2 RRF 融合的实现逻辑RRF 融合的实现分三步先对向量搜索结果计算 RRF 分数1/(60 rank 1)再对关键词搜索结果计算 RRF 分数最后对两个来源中相同块的结果累加分数。这个逻辑的关键是如果一个块在向量搜索和关键词搜索中都排名靠前它的融合分数会远高于只在一种搜索中排名靠前的块。这正是我们想要的效果——语义相关且关键词匹配的内容优先级最高。纯向量搜索会返回大量语义相关但关键词不匹配的结果如搜索Arc::new时返回Rust 的并发原语纯关键词搜索会返回关键词匹配但语义无关的结果如搜索Arc::new时返回 ArcGIS 的文档。RRF 融合让两种优势叠加劣势互相抵消。3.3 搜索结果的 CLI 展示搜索结果的 CLI 展示用 dialoguer 实现——先显示结果列表标题路径 文件名 预览用户选择后显示完整内容。每个结果还显示融合分数和来源分数语义: 0.85, 关键词: 0.72让用户知道结果为什么被排在前面。CLI 交互的设计原则是搜索后不离开终端——所有信息在终端内展示不需要打开浏览器或编辑器。这和知识库的使用场景匹配——我通常是在写代码时突然想起之前记过这个概念快速搜索一下不需要打断当前的工作流。四、数据流转与持续使用4.1 从写笔记到搜索结果的完整链路整个知识库的数据流转是这样的写笔记Obsidian/Markdown→ notify 监听变更 → 增量索引分块 Embedding→ 向量数据库 全文索引 → 搜索查询 → 语义搜索 关键词搜索 → RRF 融合 → 搜索结果 → 可选 AI 摘要。这条链路的每个环节都是自动化的——写完笔记后不需要任何手动操作知识库自动更新索引。搜索时也不需要指定搜索方式语义还是关键词系统自动做混合搜索。4.2 持续使用是最大的挑战搭建知识库不难但持续使用才是真正的挑战。我之前试过 Notion、飞书、Obsidian每次都是前两周认真记第三周开始偷懒第四周彻底放弃。原因很简单手动维护太累——每次写完笔记要手动整理、手动标签、手动同步。Rust 知识库解决了手动维护的问题文件监听自动索引搜索自动混合不需要任何手动操作。写笔记就是正常写 Markdown搜索就是敲一行命令中间的过程全部自动化。但还有一个挑战没有解决知识来源的多样性。目前只支持 Markdown 笔记和代码片段网页剪藏和 GitHub Issues 的采集还没实现。这意味着我在飞书和微信里记的东西还是散落的——知识库只有 70% 的知识碎片剩下的 30% 仍然找不到。五、总结用 Rust 搭建个人知识库这件事从技术上看并不难——向量数据库、全文索引、文件监听这些都有成熟的库。真正难的地方在于坚持用。几个复盘心得数据来源要多样化知识库的价值在于把所有知识碎片聚合在一起。笔记、代码、网页、Issues——来源越多搜索越有价值。目前我只实现了 Markdown 和代码片段后续要补充网页剪藏和 GitHub Issues增量索引是持续使用的关键手动触发索引会让人懒得更新文件监听 自动索引才能保证数据始终最新。这个设计让知识库的维护成本降到零混合搜索优于纯向量搜索向量搜索在语义匹配上好但精确匹配如函数名、配置项时全文搜索更准两者结合才是王道。RRF 融合的公式虽然简单但效果出奇地好本地嵌入模型是趋势fastembed 等 Rust binding 可以让整个系统完全离线运行适合公司内网等安全需求高的场景。我的当前方案依赖 OpenAI API离线场景下不可用——这是下一步要解决的问题作为自学转码者这个项目对我来说有特殊意义——它不只是一个工具更是我学习 Rust 一年来的知识资产容器。每次搜索到自己以前记的笔记都有一种原来我这么认真学过的满足感。知识库让碎片化的学习变成了可检索、可回顾的系统化积累。保持学习保持输出。虽然现在还是个菜鸡但我相信只要坚持总能写出越来越好的代码。
