Исследование Aura: Локальный инструмент компилирует документы в навигационную вики с постоянной памятью для ИИ

Aura Research — это инструмент с открытым исходным кодом, который компилирует исходные документы в вики, доступную для навигации с помощью ИИ, с постоянной памятью. Инструмент работает полностью локально, без передачи данных за пределы вашего компьютера.

Как это работает

Рабочий процесс состоит из четырёх основных команд:

pip install aura-research
research init my-project
# copy docs into raw/
research ingest raw/
research compile
research query "your question"

Вы помещаете папку с исходными документами (PDF-файлы, статьи, заметки, код, поддерживается более 60 форматов), и большая языковая модель компилирует их в структурированную вики на языке markdown со связанными статьями, страницами понятий и главным указателем. Затем всё сжимается в архив .aura, оптимизированный для поиска с помощью RAG, который, по утверждению разработчика, примерно на 97% меньше исходных данных.

Ключевые проектные решения

• Нет эмбеддингов, нет векторных баз данных. Вместо этого используются SimHash + Bloom Filters с нулевым потреблением оперативной памяти
• Встроенная трёхуровневая операционная система памяти (факты / эпизодическая / черновик), чтобы большая языковая модель не забывала важный контекст между сессиями
• Вики состоит просто из файлов .md, которые можно просматривать в Obsidian, VS Code или любом редакторе markdown
• Работает с любым провайдером больших языковых моделей (OpenAI, Anthropic, Gemini) или как инструмент, встроенный в агента, внутри Claude Code/Gemini CLI, где не требуется API-ключ
• Всё работает локально, без передачи данных за пределы вашего компьютера

Подход «без эмбеддингов»

Разработчик сознательно избегал стандартного конвейера RAG (разделение → эмбеддинг → векторный поиск). Вместо этого большая языковая модель компилирует знания в хорошо структурированную вики с указателем. При запросе она читает указатель, находит 2–3 релевантные статьи и загружает только их. Этот подход предполагает, что если знания правильно организованы, большая языковая модель достаточно умна, чтобы ориентироваться в хорошей структуре файлов без необходимости в отдельной модели эмбеддинга.

Инструмент доступен на GitHub по адресу https://github.com/Rtalabs-ai/aura-research и может быть установлен через PyPI с помощью pip install aura-research.