实测对比：用思源笔记当 AI 知识库 vs 传统 RAG，结果让我意外

我用同一个 AI 助手，分别挂载了思源笔记和传统 RAG 向量库作为知识源，从准确率、响应速度、上下文完整性等多个维度做了实测对比。结论可能和你想的不一样。

写在前面

最近在折腾 AI 个人知识库的方案。需求很简单：让 AI 能读懂我的笔记，然后基于我的笔记回答问题。

市面上主流的方案是传统的 RAG（检索增强生成）路线：把文档切块、嵌入向量、存进向量数据库，查询时做语义检索，再喂给大模型生成回答。

但作为一个用了好几年思源笔记的人，我一直在想：能不能直接让 AI 读我的思源笔记？

于是我做了一个实验——用同一个 AI 助手，分别挂载了两种知识源，跑了相同的查询任务，把结果放在一起对比。

先说结论

一句话总结：思源笔记方案准确率碾压，但速度慢一截；传统 RAG 速度快但容易"答非所问"。

下面展开说说。

什么是传统 RAG？它的问题在哪

传统 RAG 的流程是这样的：

原始文档 → 切块(chunking) → 嵌入(embedding) → 向量数据库 查询时：问题 → 向量检索 → 拼接片段 → 大模型生成回答

看起来很完美，实际用起来有几个痛点：

1. 分块切断上下文

文档被切成 500-1000 字的片段后，很多关键信息被拦腰截断。比如一篇笔记里"系统建模"的完整流程被切成两半，AI 只拿到了第三步和第四步，回答自然不完整。

2. 语义漂移

向量检索是基于"语义相似度"的，但它经常召回语义相近但内容不相关的片段。比如你搜"成功学"，它可能给你返回一堆"心理学"的内容——语义确实近，但完全不是你要的。

3. 格式全部丢失

你笔记里的 Mermaid 流程图、Markdown 表格、层级标题、代码块……切块之后全部变成纯文本碎片。那些精心整理的结构化信息，在向量检索面前一文不值。

4. 嵌入模型的中文能力参差不齐

很多嵌入模型是英文优先的，中文语义理解不够精准，导致检索质量打折扣。

思源笔记方案是怎么做的

思路很直接：利用思源笔记的 API，让 AI 直接查询和读取笔记内容。

具体流程：

用户提问 → AI 生成 SQL/API 查询 → 思源笔记返回完整文档块 → AI 基于完整内容回答

关键技术点：

• 通过 fullTextSearchBlock 做全文搜索，快速定位相关文档

• 通过 SQL 查询（SELECT ... WHERE root_id = '...'）按文档 ID 聚合所有块，拿到完整文档

• 利用思源的文档树结构，保留"笔记本 → 文档 → 子文档"的层级关系

• Markdown 格式直接返回，表格、代码、引用块都完好

实测对比：同一个问题，两种知识源

我用了一个真实的查询案例来对比。我的思源笔记里有一个「modelica系统建模仿真课程」的笔记本，里面有接口定义、组件原理、动力学方程、流量方程等完整的课程笔记。

测试问题："给出一个完整的 Modelica 建模案例"

传统 RAG 的回答：

• 返回了 3-4 个文本片段

• 每个片段大约 500 字

• 动力学方程被切块切断，只看到一半

• 表格变成了乱序的纯文本

• 缺少完整的模型代码

思源笔记的回答：

• AI 通过 SQL 查询拿到了完整的溢流阀建模文档

• 返回了包含接口定义、组件参数表、完整方程推导、完整 Modelica 代码的完整案例

• 表格格式完好，代码块高亮正确

• 甚至连文档里的层级结构都保留了

差距非常明显。

准确率对比：为什么思源笔记接近 100%

思源笔记方案准确率高的核心原因是：你检索的是你自己整理过的、结构化的笔记。

具体来说：

1. 内容是你认可的 — 笔记是你亲手写的或者筛选过的，不存在"脏数据"

2. 结构是完整的 — 文档有标题层级、标签、引用关系，AI 可以利用这些结构信息

3. 不存在分块损失 — 通过 root_id 聚合拿到的是完整文档，不是碎片

4. 格式是保留的 — Markdown 原样返回，表格、代码、公式都不变形

传统 RAG 的准确率问题主要来自：

• 向量检索的语义漂移

• 分块导致的上下文丢失

• 嵌入模型对中文的理解偏差

• 无法利用文档的结构信息

响应速度对比：思源笔记的短板

坦率说，思源笔记方案在速度上确实不如传统 RAG。

我的实测数据：

慢在哪？

1. 需要多次查询 — 搜到关键词后，还要按 root_id 聚合完整文档，可能要来回 5-7 次 API 调用

2. 没有预计算索引 — 每次都是实时查库，不像向量数据库有预建的索引

3. 分页限制 — 大文档需要 LIMIT/OFFSET 分页读取，多次往返

4. 关键词匹配而非语义检索 — 全文搜索是精确匹配，不像向量检索能一步到位

各自适合什么场景

思源笔记方案更适合：

• 个人知识管理 — 你自己的笔记库，几百到几千篇的量级

• 结构化内容 — 笔记有清晰的标题层级、标签、引用关系

• 需要完整上下文 — 比如查一个完整的建模案例、一套完整的方法论

• 格式敏感 — 内容包含表格、代码、公式、流程图

• 信任度要求高 — 你不希望 AI 基于不确定的来源胡说八道

传统 RAG 更适合：

• 大规模知识库 — 几万到几十万篇文档

• 非结构化语料 — 网页、PDF、合同等原始文档

• 需要快速响应 — 对话式应用，用户等不了几十秒

• 多源聚合 — 需要同时检索多个来源的内容

一个更优的混合方案

用了两种方案之后，我觉得最好的方案其实是混合架构：

思源笔记（知识源 + 结构化存储）
↓

定期导出 / 实时同步
↓

向量数据库（ChromaDB / Milvus，预计算索引）
↓

AI 查询时：向量检索（快） + 思源原文验证（准）

核心思路：

1. 思源笔记作为"真相来源" — 你的笔记是最终的、可信的知识源

2. 向量数据库作为"加速层" — 预计算 embedding，提供快速检索

3. 查询时双重验证 — 先用向量检索快速定位，再回思源拿完整原文确认

这样既保留了思源笔记的准确性和完整性，又获得了向量检索的速度优势。

给想折腾的同学一些建议

1. 先整理好你的笔记 — 不管用哪种方案，知识库的质量取决于你笔记的质量。垃圾进，垃圾出。

2. 给笔记加标签和层级 — 思源笔记的文档树和标签系统不是摆设，结构化程度越高，AI 检索越准。

3. 从小规模开始 — 先拿你最常用的几十篇笔记试试，别一上来就导入几百 GB 的文档。

4. 关注思源的语义搜索 — 如果你开了 AI 功能，semanticSearchBlock 可以提供类似向量检索的效果，速度比 SQL 聚合快。

5. 定期备份 — 知识库是你长期积累的资产，一定要做好备份。

总结

思源笔记当 AI 知识库，准确率碾压传统 RAG，上下文完整性遥遥领先，维护成本几乎为零（因为笔记你本来就在记）。代价是响应速度慢一些，查询需要多次 API 调用。

对于个人知识管理场景，如果你的笔记量在几百到几千篇，思源笔记方案的体验其实比传统 RAG 更好。它不是万能的，但在"让 AI 真正读懂你的笔记"这件事上，它做到了传统 RAG 做不到的事情。

最后说一句：最好的知识库，是你愿意持续往里写东西的那个。工具只是手段，持续积累才是核心。

本文基于实测对比撰写，测试环境为 SiYuan v3.7.x + AI Agent 框架。如有疑问欢迎评论区交流。