- 每月造訪次數
- <5K
- 2026 年 9 月
- 公開營收
- 未公開
- 暫無公開營收證據
- 入門價
- 按量付費
- 沒有月付訂閱價
- 首次發布
- 8 個月前
- 2026-03-17 · 估算
訪問
近 12 個月
行銷動作
發布、搜尋與內容、引薦、促銷在 V2EX 發布發布
做了一个面向 AI Agent 的开源文档解析与检索系统，方便做工程和金融 agent 的老哥 — 之前做了一个解析+记忆的小工具 Knowhere ，很多人都觉得跟 MinerU 有点像，其实 MinerU 只负责解析，Knowhere 还会把解析之后的 chunking 、embedding 一系列事情都做了，直接变成 AI agent 可以直接调用、检索、回溯、查找的…
9 月 19 日 · 57 天前發布頁
當時 每月造訪次數 <5K同期還有 1 個動作在 V2EX 發布發布
做了一条新的纯视觉解析路线用来识别图像类资料，有做金融或工程的老哥要试试吗？ — 在 agent 开发和实际落地的时候，经常会遇到一类问题：像金融、工程等行业，他们有很多资料是以图像的形式呈现的，比如设计规范、图纸、施工图集和报表，如果纯纯把它当成纯文字解析，那效果是不好的，有很多信息和关联都会丢失，影响后面模型的回复质量。但是要把它们丢掉，那更不现实，因…
8 月 30 日 · 3 個月前發布頁
當時 每月造訪次數 <5K同期還有 3 個動作在 V2EX 發布發布
分享一个辅助 agent 开发的小工具，给各位做垂直行业智能体的老哥 — 在金融、法律、医学、工程类的垂直领域，现在也需要一些做长任务的智能体了，所以，怎么给他们喂资料，就成了源头的一个需要斟酌的问题。 因为在现实环境里的资料，跟办公场景的比要粗糙多了。平时我们处理文档，很多都是把文档简单理解成一长串文字，在简单问答里够用，就行了。 但在真实工作里…
8 月 18 日 · 3 個月前發布頁
當時 每月造訪次數 <5K同期還有 4 個動作在 V2EX 發布（1 評論）發布
分享一些在 AI 解析中经常遇到的问题，以及应对思路吧 — 之前我分享了一个自己做的小项目，已经在 Github 上拿下 2000 star 了，评论区有人说，觉得我做的东西跟 MinerU 好像啊，是不是在重复造轮子？ 我觉得还是不太一样的，今天来分享一下使用场景和区别。 首先叠个甲啊，MinerU 确实是一个很优秀的文档解析工具，…
8 月 8 日 · 3 個月前發布頁
當時 每月造訪次數 <5K同期還有 4 個動作在 V2EX 發布（2 評論）發布
搞了大半年的文档解析引擎，现在终于开源了——专治 AI 幻觉，欢迎老铁们来试试 — 之前 4 月中旬的时候我发过一个帖子，说我做了一个叫 Knowhere 的文档解析插件，专治非结构化数据。当时有老哥问后台用的是什么服务，我说准备开源出去，后面可以关注一下。 现在，它来了。 仓库在这里： 先说说我为什么做这个东西。 做 AI 应用开发的兄弟应该都有同感——模…
7 月 25 日 · 4 個月前發布頁
第三方評測與案例拆解
客戶來源管道拆解、工程師評測與開源檔案V2EX
2026-03-24查看原文
- 創作者原帖摘錄：
- 最近小龙虾不是很火嘛，但我用起来发现它有个问题，经常活儿干到一半就忘记前面说过啥了。还有就是识别问题，复杂一点的 PDF 、PPT 之类的文件它理解不了。 我想了一下，这可能也是背后模型的问题，所以我做了一个解析工具，大伙帮我看看： https://knowhereto.ai/claw?utm_source=V2EX 。 它可以兼容 PDF 、Word 、PPT 、Excel 等我们常用的所有格式，还能完整保留表格逻辑、图文上下文与多模态信息，让 AI 看全所有的文档信息，别读一半漏一半，干活的时候减少“失忆”和“幻觉”，更加靠谱。 当然，在龙虾里面，同样的 token ，也能干更多的活了。 我自己觉得它有几个优势： 没有用关键词分割 + 暴力切片拆解文档，而是保留了上下文与逻辑链条，AI 更好理解，信息更全，
V2EX
2026-04-24查看原文
- 創作者原帖摘錄：
- 现在的大模型虽然上下文窗口大，但理解的范围不大，如果全部丢给它，估计会被塞爆。 如果 PDF 里面还包含了图片、表格等等的话，那就更不用说了。 https://imgur.com/a/Guu8GR2 所以，我做了一个专治非结构化数据的文件解析插件 Knowhere ，它能够识别复杂的 PDF 、Excel 、PPT 等格式，然后把文件按照思维导图的逻辑进行解析，最大程度地保留文档的层级和结构，最后按照格式分门别类，方便大模型的调用和读取。这时候你再向大模型提问，它的回答就靠谱多了。 我测试了一下，对比传统简单粗暴的 RAG ，这种树形结构的拆分法更符合 AI 的学习逻辑，出来的结果也更准确了，大大减少了大模型的幻觉。 有需要的老哥可以试用一下： https://knowhereto.ai/?utm_source
V2EX
2026-04-30查看原文
- 創作者原帖摘錄：
- 现在做金融这行的没少用 AI 做分析吧？但是用久了你就会发现，AI 在分析财报、写报表这方面有 bug： 1 、只擅长识别简单的文字类型，遇到金融那种嵌套表格、图片的 PPT 、PDF 等等复杂格式就歇菜； 2 、上下文窗口虽大，理解范围却不大，永远是从头第一个字开始解析，超字数了就开始演失忆，把前面的忘光光； 3 、遇到没有的信息可能会瞎编。比方说你提问里包含该公司的资产折旧，明明财报里没这项，AI 硬是给你编了个数字出来。你想核实或证伪还得二次三次提问逐个验证，很麻烦。 4 、没有逻辑层级，张冠李戴。财报里面有很多类目的名称很像，比方说固定投资收入有 100 万，然后下面的 A 项 X 万，B 项 XX 万，C 项 XX 万。C 项下面又分为几类，A 类 XX 万，B 类 XX 万。。。遇到这种很相似的类目
V2EX
2026-05-07查看原文
- 創作者原帖摘錄：
- 现在做金融这行的没少用 AI 做分析吧？但是用久了你就会发现，AI 在分析财报、写报表这方面有 bug： 1 、只擅长识别简单的文字类型，遇到金融那种嵌套表格、图片的 PPT 、PDF 等等复杂格式就歇菜； 2 、上下文窗口虽大，理解范围却不大，永远是从头第一个字开始解析，超字数了就开始演失忆，把前面的忘光光； 3 、遇到没有的信息可能会瞎编。比方说你提问里包含该公司的资产折旧，明明财报里没这项，AI 硬是给你编了个数字出来。你想核实或证伪还得二次三次提问逐个验证，很麻烦。 4 、没有逻辑层级，张冠李戴。财报里面有很多类目的名称很像，比方说固定投资收入有 100 万，然后下面的 A 项 X 万，B 项 XX 万，C 项 XX 万。C 项下面又分为几类，A 类 XX 万，B 类 XX 万。。。遇到这种很相似的类目
V2EX
2026-05-11查看原文
- 創作者原帖摘錄：
- 之前 4 月中旬的时候我发过一个帖子，说我做了一个叫 Knowhere 的文档解析插件，专治非结构化数据。当时有老哥问后台用的是什么服务，我说准备开源出去，后面可以关注一下。 今天，它来了。 Knowhere 正式开源。 仓库在这里： https://github.com/Ontos-AI/knowhere 先说说我为什么做这个东西。 做 AI 应用开发的兄弟应该都有同感——模型越来越强了，但一碰到复杂文档，还是容易崩。 比如你丢一份几十页的财报 PDF 进去，AI 要么开始胡编，要么直接说没有这个内容。这叫“AI 幻觉”。 最开始我也以为是模型不行，换了 Claude 换 GPT ，折腾了一圈发现问题根本不在这里。 根本上，喂给 AI 的原材料就是烂的。 现在市面上绝大多数文档解析工具，处理方式简单粗暴：按固
V2EX
2026-05-29查看原文
- 創作者原帖摘錄：
- 现在 AI+的工作还挺常见的，就像大佬们说的，“所有行业的产品可能都会用 AI 重新做一遍”。最常见的就是各种 agent ，说要用 AI 赋能传统行业啥的，代替人类专家去处理海量的复杂资料、进行深度分析并做出决策。 举个例子，金融行业的“智能审计与尽调 Agent”。 过去，银行或投资机构想要给一家企业贷款或投资，需要人类审计师去读几十份、每份几百页的招股书和财务报表。现在虽然有了 AI ，但把文件一股脑全丢给它是不现实的，且不说烧 token 的问题，这些文档里有无数的跨行、跨列单元格表格，普通工具一拉，表格数据全串行了。如果 AI 把“第一季度利润”和“第二季度支出”的信息碎在一块，那得出的财务分析就完蛋了。 所以，现在要真想开发出一个能干活，还确保正确率的 agent ，就需要一个专业的、AI-nati
V2EX
2026-07-19查看原文
- 創作者原帖摘錄：
- 现在 AI+的工作还挺常见的，就像大佬们说的，“所有行业的产品可能都会用 AI 重新做一遍”。最常见的就是各种 agent ，说要用 AI 赋能传统行业啥的，代替人类专家去处理海量的复杂资料、进行深度分析并做出决策。 举个例子，金融行业的“智能审计与尽调 Agent”。 过去，银行或投资机构想要给一家企业贷款或投资，需要人类审计师去读几十份、每份几百页的招股书和财务报表。现在虽然有了 AI ，但把文件一股脑全丢给它是不现实的，且不说烧 token 的问题，这些文档里有无数的跨行、跨列单元格表格，普通工具一拉，表格数据全串行了。如果 AI 把“第一季度利润”和“第二季度支出”的信息碎在一块，那得出的财务分析就完蛋了。 所以，现在要真想开发出一个能干活，还确保正确率的 agent ，就需要一个专业的、AI-nati
V2EX
2026-07-25查看原文
- 創作者原帖摘錄：
- 之前 4 月中旬的时候我发过一个帖子，说我做了一个叫 Knowhere 的文档解析插件，专治非结构化数据。当时有老哥问后台用的是什么服务，我说准备开源出去，后面可以关注一下。 现在，它来了。 仓库在这里： https://github.com/Ontos-AI/knowhere 先说说我为什么做这个东西。 做 AI 应用开发的兄弟应该都有同感——模型越来越强了，但一碰到复杂文档，还是容易崩。 比如你丢一份几十页的财报 PDF 进去，AI 要么开始胡编，要么直接说没有这个内容。这叫“AI 幻觉”。 最开始我也以为是模型不行，换了 Claude 换 GPT ，折腾了一圈发现问题根本不在这里。 根本上，喂给 AI 的原材料就是烂的。 现在市面上绝大多数文档解析工具，处理方式简单粗暴：按固定字数一刀切，把所有内容打碎成
V2EX
2026-08-08查看原文
- 創作者原帖摘錄：
- 之前我分享了一个自己做的小项目，已经在 Github 上拿下 2000 star 了，评论区有人说，觉得我做的东西跟 MinerU 好像啊，是不是在重复造轮子？ 我觉得还是不太一样的，今天来分享一下使用场景和区别。 首先叠个甲啊，MinerU 确实是一个很优秀的文档解析工具，它能把 PDF 里的文字、标题、表格、图片等内容提取出来，并转换成 Markdown 。 但问题在于：解析成 Markdown ，并不等于文档已经能被 Agent 理解。 你拿到一份 Markdown 后，通常还要： 把它切成 Chunk ，扔进向量库，然后让 Agent 或 RAG 系统去检索。 听起来很顺，但真正做过的人都知道，坑就在这里。 一份复杂 PDF 原本有章节、有层级、有表格、有图片、有跨页引用。解析成 Markdown 之后
V2EX
2026-08-18查看原文
- 創作者原帖摘錄：
- 在金融、法律、医学、工程类的垂直领域，现在也需要一些做长任务的智能体了，所以，怎么给他们喂资料，就成了源头的一个需要斟酌的问题。 因为在现实环境里的资料，跟办公场景的比要粗糙多了。平时我们处理文档，很多都是把文档简单理解成一长串文字，在简单问答里够用，就行了。 但在真实工作里，是不够的。比方说，一份合同里，重要的不只是某个条款的句子，还有它属于哪一版？和哪个定义条款有关？例外条件在哪里？哪些批注已经接受？哪些还在审阅？ 以及一份产品文档里，除了说明文字，还有版本、配置前提、截图、变更记录、上下游模块和还没关闭的问题。如果把这些东西都压成文本片段，很多信息在进入模型之前就已经丢了。 这种处理方式太过扁平，你可以理解为“二维”的，用在传统的软件那里还好，反正下一个任务又重新开始嘛。 但现在的 agent 不一样了，
V2EX
2026-08-30查看原文
- 創作者原帖摘錄：
- 在 agent 开发和实际落地的时候，经常会遇到一类问题：像金融、工程等行业，他们有很多资料是以图像的形式呈现的，比如设计规范、图纸、施工图集和报表，如果纯纯把它当成纯文字解析，那效果是不好的，有很多信息和关联都会丢失，影响后面模型的回复质量。但是要把它们丢掉，那更不现实，因为这些资料十分重要，很多是要当做原始证据保存的。 所以，我就在我们的解析工具 Knowhere 里加了一条纯视觉理解路线——VISION-MAP ，专门用来处理这方面的问题。 VISION-MAP 是这样工作的： 第一步，保留源文件和页面标注。 文档进入 Knowhere 后，原始文件不会因为解析而被一份 Markdown 取代。每一页还会按原始样子存储，但其核心内容和图表资产已被理解和标准，页面里的文字、表格线、图片、印章和相对位置都在，
V2EX
2026-09-19查看原文
- 創作者原帖摘錄：
- 之前做了一个解析+记忆的小工具 Knowhere ，很多人都觉得跟 MinerU 有点像，其实 MinerU 只负责解析，Knowhere 还会把解析之后的 chunking 、embedding 一系列事情都做了，直接变成 AI agent 可以直接调用、检索、回溯、查找的记忆层。Knowhere 更偏现实场景一点，因为一开始弄这个项目，就是因为现实场景的文档太脏，普通解析更多面向办公场景的资料，对现实场景的脏文档解析效果不佳。 现在 Knowhere 又更新了一版，新增了一条纯视觉解析路线——vision-map ，更好地服务那些不便转化成文档的资料了。欢迎大家来试试： https://knowhereto.ai/github/?utm_source=v2ex 简单讲一下使用的场景。一份排版清晰的 Word
開源倉庫與 Agent 生態
GitHub 開源與智慧體接入
流量來源
2026 年 9 月
訪問構成
管道
- 直接訪問39%
- 自然搜尋36%
- 外部引薦9%
- 社交媒體6%
- 其他10%
國家/地區
- 印度100%
搜尋
站點權重 —網域名稱註冊 2025-09-28
| 關鍵字 | 月搜尋量 |
|---|---|
| knowhere | 11.2K |
流量資料：Vaneform
定價
按量計費，官網未列出固定方案。
試用：Start a free 14-day trial. No credit card is required. · 觀察於 2026-11-03 · 原定價頁
頁面與變化
開始記錄於 2026-07-31
關鍵頁面
每週快照knowhereto.ai/ 快照 2026-11-04
變化
開始記錄以來，定價、方案與定位都沒有變化。
問題與證據
- 有了這個解析外掛 的網站造訪次數是多少？
- Vaneform 估算 2026-09 網站造訪次數為 <5K。造訪次數包含重複訪問，付費客戶數與收入需分別查看對應證據。來源
- 有了這個解析外掛 是什麼產品，支援哪些平台？
- 有了這個解析外掛 歸屬「PDF 與文件工具」市場領域：Knowhere 為 AI 工作流和智慧體解析 PDF、表格、簡報等文件，提取結構化內容並保留來源追溯資訊。。 支援平台包括：MCP 服務、開放 API。
- 有了這個解析外掛 是開源專案嗎？採用什麼協議？
- 有了這個解析外掛 擁有公開程式碼倉庫（https://github.com/Ontos-AI/knowhere），已公開原始碼倉庫，記錄有 206 個 GitHub Stars。來源
同分類研究對象
寫作與文件 / PDF 與文件工具
這些產品屬於同一目錄分類。選型時請進一步核對客戶任務、功能與部署要求。