Tutoriale how-to
Własna baza wiedzy AI: jak działa OpenKB i co wybrać w 2026
Zaktualizowano: Autor: Andrzej Niemiec7 min czytania
Dwa projekty o nazwie OpenKB, obsługiwane formaty, PageIndex i wymagany klucz API. Jak wybrać własną bazę wiedzy AI w 2026 roku bez złudzeń.
Spis treści
- Czym jest OpenKB i dlaczego nazwa bywa myląca?
- Jakie dokumenty przyjmuje OpenKB i jak je indeksuje?
- Czy OpenKB potrzebuje zewnętrznego modelu i klucza API?
- OpenKB czy OpenKnowledgebase — co wybrać?
- Jak zbudować bazę wiedzy, żeby zespół z niej korzystał?
- Jakie są ograniczenia i czego źródła nie potwierdzają?
- Najczęstsze pytania
- Źródła
Czym jest OpenKB i dlaczego nazwa bywa myląca?
OpenKB to nazwa co najmniej dwóch różnych projektów, dlatego przed wdrożeniem trzeba ustalić, o którym mowa. OpenKB od VectifyAI to otwarty kompilator dokumentów do wiki w Markdown. OpenKnowledgebase od drunomics to samodzielnie hostowana aplikacja wiki. Pomylenie ich prowadzi do błędnych oczekiwań wobec funkcji, licencji i sposobu uruchomienia.
Projekt OpenKB od VectifyAI ogłoszono 10 kwietnia 2026 roku [1]. Repozytorium zawiera instrukcje instalacji i użycia, a dokumentacja opisuje produkt jako otwartą bazę wiedzy LLM [2]. Mechanizm polega na kompilowaniu dokumentów przez model językowy do trwałej, połączonej wiki. Powstają podsumowania, strony pojęć i encji oraz odsyłacze między źródłami [1][2].
OpenKnowledgebase od drunomics wygląda inaczej. We wrześniu 2026 roku opisywano wersję beta 1: samodzielnie hostowaną wiki z wyszukiwaniem hybrydowym, cytowaniami bloków, obsługą MCP i procesem przeglądu zmian [3][4]. Fundamentem technicznym są Drupal, Nuxt i OpenSearch [5]. Wspólna jest nazwa, nie architektura.
Jakie dokumenty przyjmuje OpenKB i jak je indeksuje?
Materiały wymieniają między innymi osiem formatów wejściowych: PDF, Word, PowerPoint, Excel, HTML, CSV, Markdown i zwykły tekst [1]. Długie PDF-y obsługuje PageIndex, który buduje hierarchiczny indeks drzewa. Domyślny próg dla tej ścieżki to 20 stron [1][2].
Indeks nie jest klasyczną bazą wektorową. Dokumentacja reklamuje podejście określane jako vectorless, oparte na rozumowaniu przez PageIndex [2]. Wyszukiwanie nie polega więc wyłącznie na podobieństwie wektorów, ale na przechodzeniu po strukturze indeksu. Warto sprawdzić na własnych plikach, czy taka reprezentacja odpowiada typowi dokumentacji, którą zespół rzeczywiście przechowuje.
Po kompilacji dostępne są polecenia query, chat, watch i lint [1][2]. Pierwsze dwa służą do zadawania pytań, watch obserwuje katalog ze źródłami, a lint kontroluje spójność. Kontrola wykrywa sprzeczności, luki, osierocone strony i nieaktualne treści [1]. To funkcja utrzymaniowa, nie wyszukiwawcza.
Szerszy kontekst wdrożeń w firmach opisuje tekst o praktycznych zastosowaniach AI.
Czy OpenKB potrzebuje zewnętrznego modelu i klucza API?
Tak. OpenKB wymaga wywołań zewnętrznego modelu językowego i klucza API [6]. Materiały wymieniają OpenAI, Claude i Gemini obsługiwane przez LiteLLM [6]. Klucz jest warunkiem działania kompilacji oraz zapytań.
Koszt i prywatność danych trzeba więc zaplanować przed pierwszym importem, a nie po nim. Dokumentacja nie podaje jednej stawki, bo zależy ona od dostawcy modelu i liczby wywołań [6]. Samodzielne hostowanie aplikacji usuwa zależność od infrastruktury dostawcy aplikacji, ale nie usuwa ruchu do dostawcy modelu.
OpenKB czy OpenKnowledgebase — co wybrać?
Oba projekty rozwiązują inny problem, więc porównanie trzeba oprzeć na sposobie pracy zespołu, a nie na samej nazwie. Poniższa tabela zbiera różnice, które wynikają wprost z dostępnych źródeł.
| Kryterium | OpenKB (VectifyAI) | OpenKnowledgebase (drunomics) |
|---|---|---|
| Model działania | kompilator CLI tworzący wiki w Markdown [1][2] | samodzielnie hostowana aplikacja wiki [3][4] |
| Formaty wejściowe | PDF, Word, PowerPoint, Excel, HTML, CSV, Markdown, tekst [1] | źródła nie podają listy formatów wprost [3][4] |
| Klucz API modelu | wymagany do kompilacji i zapytań [6] | źródła nie podają wymogu [3][4] |
| Praca nad treścią | query, chat, watch, lint [1][2] | wyszukiwanie hybrydowe, cytowania bloków, MCP, przegląd zmian [3][4] |
Wybór zależy od punktu startowego. Zespół, który ma uporządkowane pliki i chce z nich zbudować wiki, zacznie od kompilatora. Zespół, który potrzebuje gotowej aplikacji z procesem przeglądu zmian, zacznie od drugiego projektu.
Jak zbudować bazę wiedzy, żeby zespół z niej korzystał?
Najczęstszy problem nie leży w modelu, ale w rozproszeniu źródeł. Materiały branżowe wskazują, że dokumentacja rozrzucona po Dysku, Slacku i poczcie utrudnia pracę agentów AI, a rozwiązaniem jest jedno wersjonowane, prywatne repozytorium [8]. Źródło wymienia przy tym trzy warstwy, zaczynając od konektorów i API [8].
Praktyka sprowadza się do trzech decyzji. Pierwsza to jedno miejsce prawdy: dokumenty trafiają do repozytorium zamiast do wielu dysków. Druga to właściciel bazy, który odpowiada za import i porządek stron. Trzecia to cykliczna kontrola spójności, na przykład przez polecenie lint [1].
Warto też ustalić, czego baza nie obejmuje. Porównania rozwiązań RAG dla firm zestawiają takie podejście z NotebookLM i Copilot, zwracając uwagę na architekturę, narzędzia i koszty [7]. Przewodniki po organizacji bazy dla ChatGPT, Gemini i NotebookLM kładą z kolei nacisk na uporządkowanie źródeł przed zadawaniem pytań [9].
Jakie są ograniczenia i czego źródła nie potwierdzają?
Największym ograniczeniem jest brak niezależnych danych o skuteczności. Dostępne źródła opisują funkcje i zamierzenia produktów, a nie zmierzony wpływ na czas odnajdywania dokumentów [1][2].
Nie ma też zweryfikowanego studium przypadku wdrożenia w konkretnej firmie ani pomiaru skrócenia czasu poszukiwań [1][2]. Materiały nie opisują jednego, stałego procesu wdrożenia o określonej liczbie etapów. Koszty, prywatność danych i lokalizacja przetwarzania powinny być częścią opisu wdrożenia, bo zależą od wybranego dostawcy modelu [6].
Zmiany w sposobie wyszukiwania informacji w sieci opisuje tekst o Google Search z AI.
Najczęstsze pytania
Czym różni się OpenKB od OpenKnowledgebase?
To dwa odrębne projekty. OpenKB od VectifyAI jest otwartym kompilatorem dokumentów do wiki w Markdown, uruchamianym z wiersza poleceń [1][2]. OpenKnowledgebase od drunomics to samodzielnie hostowana aplikacja wiki z wyszukiwaniem hybrydowym, cytowaniami bloków, obsługą MCP i przeglądem zmian [3][4]. Różnią się architekturą, funkcjami i licencjami, więc przed wyborem trzeba sprawdzić repozytorium konkretnego projektu [5].
Czy OpenKB działa bez internetu?
Nie w podstawowej konfiguracji. OpenKB wymaga wywołań zewnętrznego modelu językowego i klucza API, a materiały wymieniają OpenAI, Claude i Gemini przez LiteLLM [6]. Kompilacja dokumentów oraz odpowiedzi na pytania zależą od dostępności dostawcy modelu. Samodzielne hostowanie aplikacji nie usuwa tego ruchu, bo warstwa modelu pozostaje zewnętrzna [2][6].
Ile stron obsługuje PageIndex?
PageIndex buduje hierarchiczny indeks drzewa dla długich PDF-ów. Domyślny próg wejścia na tę ścieżkę to 20 stron [1][2]. Powyżej tego progu dokument jest dzielony i indeksowany częściami, co pozwala zachować strukturę rozdziałów. Konkretne zachowanie warto sprawdzić w dokumentacji projektu, bo domyślne wartości mogą się zmieniać między wersjami.
Jak dbać o aktualność bazy wiedzy?
Polecenie lint kontroluje spójność bazy. Wykrywa sprzeczności, luki, osierocone strony i nieaktualne treści [1]. Warto uruchamiać je po każdym większym imporcie, a nie tylko przy awarii, ponieważ lint wskazuje miejsca wymagające decyzji redakcyjnej. Do tego dochodzi polecenie watch, które obserwuje katalog ze źródłami [2].
Źródła
- OpenKB: An Open-Source LLM Knowledge Base - PageIndex (PageIndex, 2026)
- GitHub - VectifyAI/OpenKB: OpenKB: Open LLM Knowledge Base (GitHub, 2026)
- OpenKnowledgebase Beta Brings Drupal 11, Nuxt and MCP Knowledge Stack (The Drop Times, 2026)
- OpenKnowledgebase (openkb.app, 2026)
- GitHub - AntoninSlejska/openkb: Main app repository (GitHub, 2026)
- OpenKB: Open-Source LLM Knowledge Base & RAG (dev.co, 2026)
- RAG dla firmy: jak zbudować bazę wiedzy z AI na dokumentach (Hauerpower, 2026)
- Jak zbudować bazę wiedzy dla agentów AI, żeby nie stworzyć (Geekwork, 2026)
- Jak zorganizować bazę wiedzy dla AI (ChatGPT, Gemini, NotebookLM) (Cognity, 2026)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji