基于简悦零代码打造你的个人专属 AI 本地 LLM 知识库（RAG） - Trae 篇

[Kenshin]

✍️ 写在前面

简悦是基于本地系统的稍后读系统，当配置了 本地快照 系统后，可以方便的将阅读模式的内容加入到稍后读保存到本地。

不只如此，简悦也可以非常完美的配合很多的本地笔记 App e.g. Obsidian 实现将稍后读 → 导入到 Obsidian （也支持将阅读模式的图片转换为用户的图床）

所以简悦的大部分稍后读用户都是这么使用的，因此在这些用户的本地会产生很多 .html 或 .md 的文件。

随着本地大模型的兴起，因此可以利用这些本地大模型，实现基于本地系统的 RAG（检索增强生成）。

👥 文章受众

简悦用户，尤其是针对简悦的 Obsidian 用户。

如果你是新用户的话，可以直接看本文底部的相关教程，只要实现了 使用前提 的相关设置均可以实现本文的描述内容。

✅ 使用前提

1. 已配置 本地快照

2. Obsidian 用户，已配置 简悦导入到 Obsidian 相关功能

3. 需简悦高级账户权限，如有必要 请升级你的账户

注意：

此流程不是必须要使用 Obsidian，仅需配置了本地快照即可。只是因为导入到 Obsidian 里面包含了 Metadata 所以可以更方便的使用。（下面例子中有详细实例）

🛠️ Trae

这是字节跳动公司开发的 AI IDE，内置了自家的豆包大模型以及 DeepSeek R1，目前可以免费使用。

AI IDE 有个重要功能，可以访问在 IDE 内的全部文件，才能更好的帮助用户构筑代码等操作。

所以，如果将简悦的知识库纳入到 IDE 的话，就可以实现 RAG。

🔄 工作流

1. 使用简悦的阅读模式可精准的获取正文

2. 加入稍后读，自动触发简悦 → Obsidian，可将阅读模式的内容导入到 Obsidian（同时也可配合 图床插件 实现图片的导入）

3. 利用 Trae 检索这些文件（一般来自 SimpRead 文件夹）

4. 利用 Trae 内置的大模型（ DeepSeek）针对检索的内容进行提问，可得到精准的回复

整个过程就是一个非常典型的 RAG 方案（简悦负责生成知识库；Trae 提供检索和智能生成）

🖼️ 截图

⚙️ 配置

步骤很简单，首先 下载 Trae ，安装后运行（首次运行需要简单的配置，过程从略），然后打开文件夹

指向 Obsidian 文件夹（一般来说使用配置库的用户对应的文件夹叫作 SimpRead），如果只配置了本地快照的用户，需要指向 output 文件夹。

加载 SimpRead 文件夹后，需要等待索引全部完成。（速度很快，我这边 3700+ 个稍后读，5分钟左右索引完毕）

❓ 如何使用

在 IDE 的右侧就能看到 Chat 聊天界面，然后根据下图所示选择

这里并没有使用 DeepSeek 的推理模型，主要是我感觉推理模型不是太能完美的处理 RAG 😂

📋 几个实例

以下是结合这套工作流的特色列举的一些经典用法。

1️⃣ 分析全文概要

可以直接指定任意文件进行提问

输入 分段详细解析全文 (适合长文章的精读) 下图是深度解析后的内容

视频演示

2025-03-21_18-50-08.mp4

2️⃣ 每日回顾

虽然无法实现 阅读助手 简单便捷的每日回顾（如下图）

不过结合导入到 Obsidian 时 Markdown 模板设置的 Metadata，也可以完美的实现此方式，原理是：当设置了导入到 Obsidian 的 Metadata 后，导出的每个 .md 文件都会具有如下结构。

所以可以基于对 date 的判断可以做到类似的效果，比如：

请分析具有 date 属性的内容 e.g. `date: 2024-12-28 18:58:57` 根据后面的时间，来检索出从今日开始往前七日内的文件，并整理归纳总结出一份简报。

今天是： 2025-03-21

Trae 会严格的按照这些规则帮你归纳总结回顾。

3️⃣ 基于简悦的标签进行归纳总结

与 date 属性一样，可以让 Trae 检索 tag 属性，来实现基于标签的归纳总结

请分析具有 tag 属性的内容 e.g. `tag: 科技史话/AI战争` 请找出 `科技史话/AI战争` 全部文件，并整理归纳总结出一份简报。

下面截图只是其中一部分内容，注意 Trae 已经根据 科技史话/AI战争 检索了 26 个文件。

4️⃣ 直接询问

比较霸王茶姬和茶颜悦色单店营收能力

请简述下与星巴克有关的内容，整理为一份简报。（留意下图检索了 25 个文件）

📝 总结

使用 Trace 的资源管理器，将任意简悦导出的文本文件（ 上文以 .md 举例，但只要是文本文件均可，比如直接导入简悦的 output 文件夹）均可以通过 Trae 内置的 AI 进行提问，而这个过程就是典型的 RAG 方式。

知识库有简悦生成，索引部分由 Trae 内置的嵌入模型完成（Trae 并未说明嵌入模型是什么），提问（Chat）部分则包含了 DeepSeek 及豆包（字节跳动字节的大模型）

💡 特点

如果你是简悦用户，尤其是简悦的 Obsidian 用户，几乎零门槛几分钟就能实现属于自己的 RAG 方案。

⚖️ 优缺点

Trae 的大模型需要调用它们的服务器，所以隐私上并没有纯粹的本地大模型好，但优势在于本地仅安装 Trae 即可，对设备的配置没有任何要求，且可以稳定的使用 DeepSeek（速度还不错）

🔗 引申

如果你希望使用 ChatGPT 5 或者 Claude 这类模型的话，也可以考虑使用 Trae 国际版 或 Cursor

但从使用效果来看的话，Trae 国内版是最好的（毕竟大模型服务端都在国内）

如果你希望更好在 Trae IDE 中查看 Markdown 文件，可以考虑安装 Markdown Editor 插件

安装后打开 Markdown 文件后会得到下图所示

👋 新用户看过来

如果你对这套 RAG 方案感兴趣的话，可以很简单的实现这套方案，仅需要：

1. 升级到 高级账户

2. 下载并安装简悦

3. 配置 本地快照

4. Obsidian 用可直接使用简悦官方推出的 配置库方案

注意：非 Obsidian 用户可以直接忽略 4️⃣ 只要能生成本地快照即可，但具有 Metadata 属性的文本文件可以更好的让 Trae 定位文件。

🔗 关联

1️⃣ 简悦插件 · 阅读助手 4.0 版

2️⃣ 简悦插件 · 导出简悦知识库（用于 RAG 打造个人专属 AI 知识库）

3️⃣ 将你的稍后读用于 LLM 的数据来源（RAG），利用简悦插件 · 导出简悦知识库零代码打造你的个人专属 AI 资料库

4️⃣ 基于简悦零代码打造你的个人专属 AI 本地 LLM 知识库（RAG） - Ollama + Cherry Studio 篇