OKB 开放知识库

要解决什么问题

给 AI Agent 或数字花园做知识库时，常见困境是：全文检索抓不住语义相近的概念，纯向量库说不清「缺什么关联」，导出时又很难和其他 Agent 工具对齐格式。OKB 把「找内容」「推结构」「合规导出」拆成三层，用一套 Python API 和 CLI 统一操作。

核心能力与用法

• Vector 层：用 embedding 做语义搜索（query），决定「库里有什么、搜什么最相关」。
• Graph 层：从向量库用 k-NN 构建 2-边连通 图（build），用 verify 检查桥、连通性；relevance 用边际介数中心性判断新概念是否值得写、能否成为「枢纽」。
• OKF 层：概念带 YAML 元数据，export 产出符合 Open Knowledge Format 的包，便于 Agent 间互通。

日常可 add 增量加概念，避免频繁全量 build（全量重建是 O(n²)）；需要健康检查时用 stats、verify。

边界与注意点

• 图规模建议在 10 万节点以内（NetworkX 内存图）；更大图应换 Neo4j 等。
• 依赖 ChromaDB + embedding API（文档默认硅基流动，也可配 OpenAI 兼容端点）；切换 embedding 模型需删 .chroma/ 重索引。
• 本地单人知识库，非实时协作；只索引文本，不做图片/音频语义搜索。纯 grep 全文、或只要一个 Obsidian 文件夹的场景不必上 OKB。