Feynman：把书变成可对话的知识库

> 来源: https://x.com/steve_yeow/status/2030967823397450129（回复 @pmarca）

> GitHub: https://github.com/steveyeow/Feynman

> 作者: Steve Yeow（@steve_yeow）— YC 校友，Forbes U30，OriginX AI / AIGISPay 创始人

> 技术栈: Python/FastAPI + SQLite + 多 LLM 自动切换

> 协议: MIT

> 互动: 345 ❤️ · 616 🔖 · 8.2 万查看（回复 pmarca 的 2000 万查看推文）

> 日期: 2026-03-09

📌 一句话总结

Feynman 是一个将书籍变成可对话数据库的工具。上传一本书（或输入一个主题），就可以像和作者聊天一样提问——回答有引用、有出处、有跨书搜索，还能自动发现相关书目。

🎯 设计理念

作者的灵感来自费曼的读书方法：

> 费曼很少从头到尾读完一本书——他带着问题去读，从多个来源提取洞见，当一本书没有新东西可教时就放下。

Feynman 工具要做的：

1. 侦察：快速了解一本书讲什么，决定是否值得深读

2. 搭建知识脚手架：进入新领域时，跨多本书合成关键概念

3. 超越文本：AI 结合书籍内容 + 更广泛的知识，给出比单纯阅读更丰富的洞察

🔧 核心功能

功能 1：与书对话

上传 PDF/TXT → 自动索引 → 对话式问答

4 层回答优先级：

优先级	来源	说明
1️⃣	RAG	从书的索引内容中检索相关段落
2️⃣	Content Fetch	从 Open Library / Google Books / Wikipedia 拉取信息
3️⃣	Web Search	Gemini Search Grounding 实时搜索
4️⃣	LLM Knowledge	模型自身训练知识兜底

每个回答都有 [1] [2] 可点击引用——点开看原文段落。

功能 2：跨书搜索

选多本书 → 提问 → Feynman 搜索整个书库找最相关段落。

功能 3：主题驱动学习

不知道该读什么书？输入一个主题（心理学、经济学……）：


输入 "微观经济学" →
  AI 推荐相关书目 →
  生成你应该问的问题 →
  基于书籍内容回答 →
  随着探索自动扩展书库

功能 4：透明成本

每次 LLM 调用实时显示 token 消耗。

🏗️ 技术栈

组件	技术
后端	Python / FastAPI
数据库	SQLite + 向量嵌入（BLOB 存储）
前端	原生 JS SPA，hash 路由，无框架
LLM	5 provider 自动降级：Gemini → DeepSeek → OpenAI → Kimi → Anthropic
RAG	余弦相似度 + Gemini Search Grounding
持久化	聊天记录 localStorage，书籍数据 SQLite

技术亮点：无框架前端 + SQLite 向量存储 = 极度轻量，可以在任何机器上跑。

📊 竞品对比

"与书对话"这个赛道已经很热：

产品	开源	跨书	主题发现	引用溯源	多模型
Feynman	✅	✅	✅	✅	✅ 5 家
ChatPDF	❌	❌	❌	✅	❌
NotebookLM（Google）	❌	✅	❌	✅	❌
Readwise Reader AI	❌	✅	❌	⚠️	❌
Quivr	✅	✅	❌	✅	✅

Feynman 的差异化：主题驱动学习（不需要先有书）+ 5 家 LLM 自动降级 + 极度轻量。

💡 分析

优势

1. 理念优于工具：费曼式读书法本身就有价值——带着问题读、跨书关联、知道什么时候放下

2. 4 层信息源设计：不只是"问 LLM 关于这本书的问题"，而是 RAG → 外部知识 → 搜索 → LLM 逐层降级

3. 主题探索模式：不知道读什么 → AI 帮你发现书目 → 提出好问题 → 交互式学习。这个 flow 很流畅

4. 零依赖前端：不用 React/Vue，原生 JS + hash 路由，部署极简

5. 社区驱动扩展：书籍获得足够 upvote 后自动索引

局限

1. 极早期：1 star，刚发布，功能完整度待验证

2. SQLite 向量搜索：BLOB 存储 + 余弦相似度 → 大规模书库（1000+）性能可能不行

3. 无 OCR：似乎只支持 PDF/TXT 文本，扫描版 PDF 可能不行

4. 书籍版权：自动索引和分享书籍内容存在版权灰色地带

与 NotebookLM 的比较

Google NotebookLM 是这个领域的 800 磅大猩猩。Feynman 的优势：

开源 + 本地运行 → 隐私
多模型支持 → 不锁死 Google
主题发现 → NotebookLM 需要你自己先找到资料

🔗 与我们的关联

直接可用

1. 研究工具链补充：把 deep-research 产出的报告导入 Feynman → 构建可对话的知识库

2. OpenClaw 集成思路：Feynman 的 4 层信息源设计（RAG → API → Search → LLM）可以参考到 OpenClaw 的 memory/recall 系统

更大的图景

"与知识对话"正在成为新的信息获取范式：

2024: ChatPDF（单文档问答）
2025: NotebookLM（多文档 + 音频摘要）
2026: Feynman（主题探索 + 跨书 + 多模型）→ 从"查找信息"到"构建理解"

📊 评分

维度	评分（/10）
创新性	7.5 — 主题驱动学习是亮点，但赛道已热
技术深度	6.5 — 标准 RAG 架构，4 层设计有想法
实用价值	7.5 — 对重度读书者有真实价值
工程质量	6.0 — 极早期，1 star
理念/愿景	8.5 — 费曼式读书法的软件化
综合	7.2

报告由深度研究助手自动生成 | 2026-03-10

来源: https://github.com/steveyeow/Feynman