资料库

资料库是让文件变成可用知识的地方。

它适合那些应该整体保留下来的来源材料：PDF、报告、电子表格、幻灯片、Markdown 笔记和代码。Mem 会解析、索引，并让这些内容和你的记忆一起工作，而不是变成孤立的附件。

把一份 40 页的架构评审拖进资料库。在 Timeline 里问："评审文档里关于 API 限流是怎么说的？" 回答会同时引用文档第 12 页的内容，以及你三个月前保存的 Redis 限流决策。文档和记忆会一起参与搜索。

资料库可以存放 PDF、电子表格、Word 文件、演示文稿、代码和其他格式。系统会解析内容、切分片段并建立索引。文档进入可搜索状态后，就会出现在你日常思考时真正用到的地方：

• AI Now：按文件名、主题或一个具体问题提问。AI Now 会检索资料库、读取匹配段落，并和你的记忆一起给出带引用的回答。
• Timeline Feed Agent：后台把对话转化为记忆的内置 Agent，现在也可以在线程提到某份文档时反向进入资料库内容。
• Graph Intelligence Agent：在探索知识图谱时，Source 节点现在可以被直接检索和读取；你可以从一组相关记忆直接深入到对应的原始文档，而不用离开画布。
• 通过 MCP 连接的 AI 工具：Claude Code、Cursor 以及任何支持 MCP 的客户端都可以调用 query_sources、read_source_content、search_source_chunks 和 analyze_source_data，让它们的回答真正建立在你自己的文件之上。
• nmem 命令行：终端与脚本工作流可以用 nmem sources search、read、search-chunks 和 analyze 检索、阅读并分析资料库。详见 CLI 参考。

把资料库当一本 wiki 来读

v0.8 起，资料库也可以像一本 wiki 一样去读。你之前积累的记忆、资料、知识结晶，现在都以主题页、实体页、结晶页的形式呈现出来，互相之间用链接连起来，可以一路点着翻。

切到资料库里的 Wiki 标签，就能看到知识按主题分簇。每张卡片下面列了这个簇里被提到最多的概念，以及总结了它们的几条结晶。点卡片打开主题页，点实体打开它的 wiki 词条，点结晶里的 [[实体]] chip 继续往下翻。

读到真正想细看的地方，就在那张 wiki 页上点 深入研究。知识图谱会自动打开，把对应的东西预选好：实体页或结晶页选中那一个节点，主题页一次性把整个聚类高亮。然后你可以接着平移、展开邻居，也可以把这个选区交给 Graph Intelligence Agent，让它把你心里的那个问题问出来。

想理解背后的模型（系统替你做的事、仍然由你做的事），见 LLM Wiki 概念页。

Wiki 导出

Wiki 标签的分页栏右上角有一个 Download 按钮，点它会把你的 wiki 打成一份纯 markdown 的文件夹（index.md、topics/、entities/、crystals/），里面那一套 [[wikilink]] 在 Obsidian、Logseq 这类阅读器里同样能跳得通。

要刷新就再导出一次。这是切片，不是双向同步：在 Mem 之外做的修改，不会自动流回来。

第一份有用的文档

如果你是新用户，先导入一份你真的在意的文档。然后在 Timeline 里针对它问一个具体问题。

最基本的一步就是：

• 先加进来一份真实来源
• 再提一个有上下文的问题
• 看答案怎样同时使用文档内容和你已有的知识

第一次验证到这里就够了。精读可以等到这个基础闭环已经有价值时再做。

支持的格式

添加文档

将文件拖入 Timeline 输入框，或在资料库视图中导入。也可以直接拖入文件夹——其中所有支持的文件都会自动导入。

文档经过以下处理流程：

1. 解析: 从文件格式中提取内容
2. 分段: 切分为可搜索的段落
3. 索引: 加入向量索引和关键词索引

处理状态可在资料库视图中查看。索引完成后，文档进入可搜索状态，可以立刻在对话、全局搜索和已连接的 AI 工具里使用。

对于扫描版 PDF，Mem 会先完成普通导入，避免应用卡住。如果某一页没有文本层、需要视觉模型读取，Mem 会在后台读取这部分扫描文字，并补回文档内容中。如果还没有配置视觉模型，或后台智能预算达到上限，资料库会暂停处理，并在可以继续时显示继续。

可搜索 vs 精读

资料库中的每份文档处于以下两种状态之一：

在 Timeline 中直接询问某个文件时，AI 会读取这份文档当前可搜索的内容。精读则会进一步提取可长期复用的知识，并把它连接进你的记忆图谱。

精读会产生什么

当你对一个来源执行精读时，AI 会完整分析其内容。对电子表格，它会计算和理解结构化数据；对文档，它会通读文本并抽取重点。最终会生成：

• 记忆 — 每份文档 2-5+ 条原子化洞察（决策、事实、流程），每条都可独立搜索
• 图谱关联 — 与你现有相关记忆的连接，发现你可能没注意到的关系
• 知识结晶 — 当 3+ 条记忆围绕同一主题聚类时，生成可持续更新的知识结晶
• 矛盾检测 — 标记与现有知识的冲突（例如，新策略推翻了之前的决定）

精读需要一定的 AI 处理时间。完成后，结果数量会显示在流程指示器中，例如 已精读 (5)。

搜索文档

文档和记忆一起被搜索。在 Timeline 中问 "Q4 报告对用户流失怎么说的？"，搜索同时覆盖你的记忆和导入的文档。

在资料库视图中，可以按状态筛选——可搜索、已精读、已过期或错误——快速找到尚未精读或需要关注的来源。

与文档对话

在 Timeline 中直接对任何文档提问。答案同时来自文档和你的记忆，引用具体页码。

"架构评审文档里关于 API 限流是怎么说的？" 会返回一个答案，其中既引用文档第 12 页，也引用你三个月前的 Redis 决策。

批量操作

在资料库视图中选择多份文档，可以：

• 发送到 AI Now 进行跨文档分析——比较报告、综合发现，或提出跨文档的问题
• 批量精读 — 选择尚未精读的来源，点击 精读 (N) 批量处理。对于已经精读过的来源，按钮会显示 Re-analyze (N)，用于刷新提取出的知识

文档、记忆和对话

三种内容类型，各有不同的用途：

文档和对话是来源。记忆是提炼后的知识。当你精读文档或对话时，独立的洞察被提取为记忆并连接到知识图谱。原件保留在资料库或对话视图中作为来源。

下一步

• 快速入门: Timeline 和所有添加知识的方式
• 后台智能: 导入的知识如何连接到你的图谱
• 搜索与相关性: 搜索如何在记忆和文档间排序结果