昨晚跟一个朋友聊天，他跟我吐槽，说他老婆翻遍了他三年的微信聊天记录，就为了找一个他记得提过一嘴的餐厅名字。找了俩小时，没找到。

我当时就想，这应该是很多人都遇到过的痛点。

我们每天在微信上聊了多少东西，工作安排、灵感闪现、甚至半夜突然想起来要买的东西。结果这些信息就这么散落在时间的洪流里，想找的时候跟大海捞针似的。

邮件也一样。浏览器历史也一样。ChatGPT的对话记录、Claude的对话记录，通通都是这样。

今天要聊的这个东西，就是来解决这个问题的。

它叫LEANN，一个开源项目，最近在GitHub上火得不行。

LEANN，说到底，就是一个本地向量数据库，但它做的事情比普通数据库有意思多了。它能让你RAG Everything。

RAG就是检索增强生成，简单说就是先把你的数据切分成小块，计算特征向量存起来，然后当你问问题的时候，它先找到最相关的块，再让AI基于这些内容回答。

比如你问「我去年推荐过朋友看什么书来着」，系统会自动找到那段聊天记录，AI基于真实内容给你回答，而不是凭空瞎编。

这玩意儿最大的特点，是它的存储效率。

官方给的数据是这样的：处理6000万条文本片段，传统向量数据库需要201GB存储空间，而LEANN只需要6GB。97%的存储节省。

怎么做到的呢？

LEANN用的是图剪枝加选择性重计算的技术。它不像传统数据库那样把所有特征都提前算好存起来，而是只存储一个优化的图结构，搜索的时候动态计算相关特征。

打个比方，传统数据库就像你提前把所有书籍都复印了一份存到仓库里，仓库自然越来越大。而LEANN相当于只保留了一个「索引目录」，需要的时候再临时调取，而不是每次都抱着复印件跑。

真正让我觉得LEANN有意思的，是它支持的RAG场景。

它不只是一个技术框架，它是真的能做事情。

比如RAG邮件，目前支持macOS系统，你可以直接问「我上个月跟供应商讨论交货期的那封邮件在哪」。

比如RAG浏览器历史，你可以问「我之前看的那个讲Python异步编程的教程是哪来着」。

比如RAG微信聊天记录，需要先装个微信导出工具，装好之后找东西真的太好用了。

比如RAG你的知识库，本地文档、PDF、Markdown文件，通通扔进去，让AI基于你的资料回答问题。

LEANN还支持MCP集成，通过配置可以连接Slack、Twitter等平台，需要先安装对应的MCP服务器并配置API凭证，相当于给AI装了一个实时的信息触手。

说完功能说说安装使用。

最简单的方式是先clone项目代码，然后安装依赖：

git clone https://github.com/yichuan-w/LEANN.gitcd leannuv venvsource .venv/bin/activateuv pip install leann

然后运行以下命令就能体验完整功能了：

python demo.ipynb

这个notebook里面有几个完整的示例，跑一遍你就知道这东西能干嘛了。

我建议先从最简单的文档RAG开始玩，就是把你电脑上的PDF、TXT、Markdown文件扔进去，然后问AI几个问题，感受一下「让AI读我的文档」是什么体验。

如果你特别在意隐私，不想让任何数据离开你的电脑，那完全可以全程本地模型搞定，从embedding到最后的LLM生成，一条龙纯本地。

说实话，我第一次玩LEANN的时候，有那么一瞬间，感觉有点像当年第一次用搜索引擎。就是那种，「原来信息可以这么被检索」的感觉。

以前我们找东西，要么记得关键词去搜索，要么靠记忆在文件夹里一顿翻。但现在，你可以用自然语言问问题，「我上次跟朋友聊的那个电影叫啥来着」，AI会一瞬间帮你找到相关内容。

它意味着，你的个人数据开始真正变成你的「知识资产」了，而不是一堆躺在硬盘里的二进制文件。

这种去中心化的AI知识管理，可能真的是未来。

好了，今天就聊到这儿。

我是真的觉得LEANN这个项目挺有意思的，它让AI从「云端的服务」变成了「人人可用的本地工具」，让技术真正服务于个人。

如果这篇文章对你有一点点启发，欢迎点个赞或者转发给朋友~~