斩获 45k 星！号称下一代知识库工具开源了！

原创已于 2025-02-21 15:50:18 修改 · 4.9k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#notion

于 2025-02-21 12:22:45 首次发布

AFFiNE 是一个下一代知识库平台，它将规划、整理和创造整合在一个空间。AFFiNE致力于提供一个隐私优先、开源、可定制且即用性强的解决方案，作为 Notion 、Airtable、Miro 的整合“替代品”。

Stars 数	45,835
Forks 数	3023

主要特点

无逢画布体验：AFFiNE 提供了一个真正的无缝画布，用户在边缘无界限的画布上放置任何形式的构建块。
多功能工作区：可轻松在结构化笔记记录和自由形式的白板绘制之间切换，以适应用户的工作流程需求。
实时协作：与团队实时协作，即时看到更改，激发创造力。
本地优先架构：享受本地存储的安全性和隐私性，同时在需要时可受益于云同步功能。
跨平台兼容性：支持通过网页、桌面和移动设备访问您的工作，随时随地开展工作。
可定制与可扩展：通过主题、插件和集成功能，根据您的需求定制 Affine。
开源基础：受益于透明的、社区驱动的开发过程，并且能够进行自托管。

Affine 独特的功能组合使其成为研究人员、项目经理、设计师以及任何希望提高生产力和创造力的人的理想选择。借助 Affine，体验协作式知识工作的未来。

官网：AFFiNE - All In One KnowledgeOS

GitHub：https://github.com/toeverything/AFFiNE

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

开源项目精选

关注关注

8
点赞
踩
22

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

AFFiNE：下一代开源全能知识库工具，重新定义协作与创作

xiezhipu的博客

03-19

1333

AFFiNE以其开源透明、功能融合与隐私保护，正在重塑数字化协作的边界。无论是个人创作者追求极致效率，还是企业寻求安全可控的知识管理方案，AFFiNE都值得尝试。立即访问官网或GitHub仓库，开启你的全能知识库之旅！

参与评论您还未登录，请先登录后发表或查看评论

从三本院校到斩获字节跳动后端研发Offer

weixin_50333534的博客

01-04

6354

文章篇幅较长，都是满满的干货，看完收获绝对很多，文末有学习笔记和学习资料领取前言大家好, 这次应博主的邀约，写一篇关于我的Java自学经历，希望对小伙伴们有所帮助。我本科就读于北方某三本院校，和别人交谈的时候也不太愿意过多介绍关于自己本科的情况，想着英雄不问出处。不过后面想想，自己的一些经历分享出来，如果刚好有在某个阶段开始迷茫的小伙伴，可以通过阅读我的经历，避免掉一些我走过的弯路，那就很好了。天，总会亮的关于我我本科就读于三本的独立学院，主要是因为高考考得不好，说白了就是...

AFFiNE: 下一代全能知识库工具，可取代 Notion 和 Miro 的免费开源替代品

easylife206的专栏

08-17

1万+

公众号关注「奇妙的 Linux 世界」设为「星标」，每天带你玩转 Linux ！虽然Miro（可视化协作平台）和Notion（笔记工具）使用起来非常流畅且功能强大，但它们并不是开源解决方案。那么，更私密、更透明、更可定制、可用于 Windows/OS/Linux 的下一代知识库是否存在呢？这就是AFFiNE！与专注于白板和页面的Miro和Notion不同，AFFiNE将其定位定...

AFFiNE 深度解析：下一代集成知识库平台

zhangyunchou2015的博客

04-18

2235

现代工作流程中，我们常常需要在不同工具间切换：用 Notion 写文档、做笔记，用 Miro 进行头脑风暴、画流程图，用 Airtable 管理结构化数据。这种割裂不仅降低效率，也使得知识和信息分散在各处，难以形成合力。AFFiNE 的核心理念正是要打破这种工具孤岛，将规划 (Plan)整理 (Sort)和创造 (Create)的能力整合到同一个空间中。AFFiNE 是一个雄心勃勃的项目，它试图通过将文档、白板和数据库的核心能力整合到一个隐私优先、开源的平台中，来解决现代知识工作者面临的工具碎片化问题。

知识库、笔记软件对比：Notion、语雀、石墨文档、AFFiNE和思源笔记优劣分析与推荐

热门推荐

bydzlby的博客

06-28

5万+

本文介绍了Notion、语雀、石墨文档、AFFiNE和思源笔记等知识管理工具的优劣势。推荐语雀用于团队知识库，石墨用于团队文档，Notion适合个人和团队，AFFiNE适合个人使用，思源笔记适合个人知识库整理搭建。最终指出根据需求选择合适的工具，权衡功能、界面、费用等因素。

affine仿射加密

Hydra的博客

11-08

2048

仿射加密法单码加密法的另一种形式称为仿射加密法（affine cipher）。在仿射加密法中，字母表的字母被赋予一个数字，例如a=0，b=1，c=2…z=25。仿射加密法的密钥为0-25直接的数字对。含义仿射加密法与单码加密法没什么不同，因为明文的每个字母分别只映射到一个密文字母。仿射密码的加密算法就是一个线性变换，即对任意的明文字符x，对应的密文字符为，其中，a,b∈Z26，且要求g...

斩获 32k 星！号称下一代知识库工具开源了！

公众号：逛逛GitHub

05-11

774

AFFiNE（发音为 [ə‘fain]）是一个下一代知识库平台，它将规划、整理和创造整合在一个空间。AFFiNE致力于提供一个隐私优先、开源、可定制且即用性强的解决方案，作为 Notion 、Airtable、Miro 的整合“替代品”。Notion 、Airtable、Miro 是在国外比较火的效率工具，这里简单介绍一下：Notion：是一个流行的笔记和任务管理应用，用户使用它可以创建灵活的模块...

“夺金”2024中国互联网大会！天翼云斩获三项大奖！

天翼云开发者社区

07-25

998

近日，由中国互联网协会主办的2024（第二十三届）中国互联网大会在北京举行。天翼云凭借“慧泽”大模型项目荣获首届“金灵光杯”中国互联网创新大赛金灵光大奖以及人工智能专题赛一等奖，天翼云电脑荣获信息技术应用创新专题赛优秀奖。天翼云科技有限公司副总经理、首席网络安全官广小明出席中小企业数据安全工具箱上线仪式，天翼云科技有限公司资深安全专家闫斐围绕“构筑原生安全基础设施，赋能企业数字转型发展”进行分享。

腾讯开源百亿参数模型KaLM-Embedding，斩获MTEB多语言榜单全球第一！

腾讯开源

11-12

302

随着全球化进程推进，多语言嵌入模型在多个关键场景中展现出重要价值，可支撑如跨境电商、跨国企业知识管理、多语言学术检索及AI应用国际化等实际需求，为技术落地提供底层语义理解保障。（检索增强生成）等主流架构中，Embedding模型能够从海量知识库中精准检索语义相关信息，动态构建高质量上下文，有效提升大模型生成结果的准确性与可靠性，抑制“幻觉”现象。借助更大规模语言模型，开展更丰富的数据合成与筛选工作，并通过训练蒸馏等技术路径，持续提升Embedding的表达能力与效率。

从零开始：手把手搭建你的 RAG 知识库

Everly_的博客

05-29

1073

Word2Vec是一种用于处理自然语言处理的模型，它是在2013年由Google的研究员Mikolov等人首次提出的。Word2Vec通过训练海量的文本数据，能够将每个单词转换为一个具有一定维度的向量。这个向量就可以代表这个单词的语义。因为这个向量是在大量语境中学到的，所以这个向量能很好的表达这个单词的语义。Word2Vec包括Skip-Gram和CBOW两种模型，主要是通过优化模型计算词与词之间的关系，从而获得词的向量表示。Skip-Gram模型是通过一个词预测其上下文。

目前，已知的开源大模型有哪些？

HJS123456780的博客

08-01

737

Llama 3基于超过15万亿token的数据集进行训练，是Llama2数据集的7倍还多，为模型提供了更丰富的信息基础。支持8K长文本，配备了改进的tokenizer，词汇量高达128K，性能表现优异。缺点是会有飙英文的现象，建议试试开源社区里的中文微调版本。ChatGLM3智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型，国产之光。ChatGLM3在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。

三年开发经验，跳槽腾讯音乐，三面斩获Offer，定级T2-1（附上面试题+学习经验总结）

Android725的博客

06-10

2124

前言时间过得飞快，一代又一代就这么成长了起来，曾经的95后备受争议，如今的95后进入社会，扮演者各行角色，成为了行业顶梁柱，今天，要分享的是自己的成长经历。今年24岁，毕业之后进入一家小型的互联网公司工作，名字就不说了，算是熟知的，在这家公司呆了两年，直至今年才有了跳槽的想法。每个人都拥有大厂梦，我也不例外，在小公司待久了，感觉人会荒废掉，太轻松，没有压迫感。在众多大厂中，最终选择了字节跳动。“年轻、活力、富有激情”是我听到得最多对它的形容词，所以毅然决然，希望自己能够在这个舞台上展示出自己。以下分享

字节跳动Coze开源：AI智能体开发新纪元

开源仅一周时间，Coze项目在GitHub上便斩获超过9000颗Star，显示出极强的技术吸引力和社区号召力。活跃的开源社区不仅贡献了大量插件扩展、文档翻译和技术教程，还发现了若干潜在性能瓶颈并提交了优化补丁，形成了...

多款知识管理工具纵评：confluence、语雀、notion、sward

tiklab2020的博客

12-03

616

Confluence是由Atlassian开发的企业级知识管理与协同软件，主要用于构建团队协作平台及企业Wiki。其核心功能包括文档协作、信息共享、版本管理及跨部门协同，支持动态宏扩展、附件管理、全局搜索等特性，可定制化界面与权限体系适配不同组织需求。语雀是蚂蚁集团于2015年起内部孵化的在线文档编辑与知识管理工具，支持iOSAndroid、网页及PC等多平台使用，2022年2月22日正式推出独立移动端应用。

学递来啦高校快递末端物流配送需求对接众包服务平台项目_高校学生快递代取互助资源共享社区生态体系_面向当代大学生解决校园内快递包裹最后一公里配送难题通过众包模式实现需求发布与接单构建.zip

12-04

【四杆机构分析】根据给定的系统几何参数执行四杆机构分析研究（Matlab代码实现）

12-04

内容概要：本文档围绕“四杆机构分析”展开，介绍了一种基于给定系统几何参数执行四杆机构运动学分析的研究方法，并提供了完整的Matlab代码实现。四杆机构作为机械系统中的经典【四杆机构分析】根据给定的系统几何参数执行四杆机构分析研究（Matlab代码实现）连杆机构，其运动特性分析在自动化、机器人、车辆工程等领域具有重要应用价值。文档内容涵盖机构的位置、速度和加速度分析，通过矢量闭环法建立数学模型，利用Matlab进行数值计算与可视化仿真，帮助用户理解机构的运动规律。此外，文档还展示了代码的模块化结构，便于扩展至其他连杆机构分析。; 适合人群：具备一定Matlab编程基础和机械原理知识的本科高年级学生、研究生及从事机械系统仿真与设计的工程技术人员。; 使用场景及目标：①掌握四杆机构的运动学建模方法；②学习如何使用Matlab实现机构的位姿分析与动态仿真；③为后续复杂机构设计与机器人运动学研究打下基础；④适用于课程设计、科研项目或工程验证中的机构分析任务。; 阅读建议：建议读者结合机械原理教材中的四杆机构理论，逐步调试Matlab代码，观察各参数变化对机构运动的影响，并尝试修改几何参数或扩展至多连杆系统，以加深对运动学分析的理解。

这是一个从零开始独立构建的现代化前端项目它诞生于2022年旨在通过一个完整可运行的应用实例为前端开发初学者与进阶者提供一个绝佳的学习范本与二次开发基础_该项目深入实践了原生.zip

最新发布

12-04

采用GPS、里程计和电子罗盘作为定位传感器，EKF作为多传感器的融合算法，最终输出目标的滤波位置（Matlab代码实现）

12-04

内容概要：本文介绍了一个基于多传感器融合的定位系统设计方案，采用GPS、里程计和电子罗盘作为定位传感器，利用扩展卡尔曼滤波（EKF）算法对多源传感器数据进行融合处理，最终输出目标的滤波后位置信息，并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性，尤其适用于存在单一传感器误差或信号丢失的复杂环境，如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器，EKF作为多传感器的融合算法，最终输出目标的滤波位置（Matlab代码实现）机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建，以及EKF算法的具体实现步骤，具有较强的工程实践价值。; 适合人群：具备一定Matlab编程基础，熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标：①学习和掌握多传感器融合的基本理论与实现方法；②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发；③作为EKF算法在实际工程中应用的教学案例或项目参考；阅读建议：建议读者结合Matlab代码逐行理解算法实现过程，重点关注状态预测与观测更新模块的设计逻辑，可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性，并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。

智能汽车基于BEV+Transformer的传感器融合架构：多模态感知系统设计与数据闭环优化

12-04

内容概要：文章围绕智能汽车新一代传感器的发展趋势，重点阐述了BEV（鸟瞰图视角）端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求，而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合，在保证感知精度的同时兼顾算力可行性，显著提升复杂场景下的鲁棒性与系统可靠性。此外，文章指出BEV模型落地面临大算力依赖与高数据成本的挑战，提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系，通过自动化标注与长尾数据反馈实现算法持续进化，降低对人工标注的依赖，提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群：从事汽车电子、智能驾驶感知算法研发的工程师，以及关注自动驾驶技术趋势的产品经理和技术管理者；具备一定自动驾驶基础知识，希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标：①理解BEV+Transformer为何成为当前感知融合的主流技术路线；②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑；③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考；阅读建议：本文侧重技术趋势分析与系统级思考，建议结合实际项目背景阅读，重点关注BEV融合逻辑与数据闭环构建方法，并可延伸研究相关企业在舱泊一体等场景的应用实践。