先说结论：如果你的日常工作经常是——
开十几个 Tab → 复制关键段落 → 粘贴到笔记或 AI → 内容太长再手动删减 → 得到一个“听起来很对”但很难回溯来源的答案
那么 Weft 可能正好适合你。
我们最近做了一个开源 Chrome 插件 Weft，想把这套反复切换、复制粘贴的工作流，变成一个运行在浏览器侧边栏里的研究工作台。
它不是另一个“Ask this page”，也不试图替你自动阅读整个互联网。Weft 的核心思路很简单：先由人选择证据，再让 AI 在明确的研究范围内工作。
Chrome Web Store：https://chromewebstore.google.com/detail/weft/obcegdkdebekhmaipdnnkpmhapjncnbm
GitHub：https://github.com/tinyfactory-dev/weft
Website: https://tinyfactory.dev/weft
我们真正想解决的是什么？
做调研、写文章、分析竞品或准备报告时，信息通常散落在网页、PDF 、新闻、研报和各种标签页里。真正消耗时间的往往不是“让 AI 写一段话”，而是前面的这些事情：
传统流程通常把“采集、整理、检索、生成、回溯”留给用户自己拼接，不得不在 Notepad 里面粘贴一大堆语料。Weft 想做的是把这几步连接起来。
核心理念：让研究范围由用户决定
在 Weft 里，一个研究主题对应一个 Session。
你可以从网页或 PDF 中保存文字、图片和链接，也可以添加标签与笔记。后续的报告、重写、核验、摘要、图表和问答，都围绕当前 Session 中的材料展开。
这更接近 grounded generation （基于指定证据生成），而不是让模型对着一个模糊问题自由发挥。
回答中的 Session 引用会标记为 [S1]、[S2]；点击引用可以返回对应来源。Deep Search 补充的外部证据则标记为 [W1]、[W2]，与用户主动保存的材料明确区分。
这里需要诚实说明：可追溯不等于模型永远不会犯错。 Weft 解决的是“结论依据了哪些材料、能否回到原文检查”的问题；重要判断仍然应该由人确认。
一个下午的真实使用流程
10:00 ｜采集：像使用马克笔一样简单
打开竞品官网、行业报告或新闻页面，选中有用的内容，通过右键菜单保存到指定 Session 。
Weft 会记录来源 URL 、页面标题和时间等信息。你不需要反复复制粘贴，也不用在浏览器、文档和聊天窗口之间来回切换。
除了网页，3.1.0 还加入了 PDF 支持：
Weft 的 PDF Reader 与 Chrome 原生阅读器隔离，不会注册成 PDF 默认处理器，也不会接管其他 PDF 插件。
11:00 ｜ Smart Read：长文先找证据，再决定是否细读
遇到长文章或长 PDF ，不想从头逐字阅读时，可以运行 Smart Read （智能阅读）。
它会让模型提出值得关注的关键段落，然后在保存前将引用内容与提取到的原文重新核对。无法在来源中定位的引用不会进入 Session 。
对于超长网页和 PDF ，Weft 会根据当前模型的能力自动分片，而不是把整篇内容一次性塞进上下文。遇到超时、上下文不足或空响应时，也会尝试缩小任务并给出更明确的恢复提示。
需要注意的是，这里的“校验”指的是引用是否确实存在于原文，并不等同于对原作者观点做事实认证。
13:30 ｜生成报告：答案必须能回到证据
假设当前 Session 已经收集了几家公司的产品介绍、定价和评论，可以直接输入：
基于当前 Session ，对比这些产品的核心卖点、定价策略和目标用户。
然后选择 Report ，或者直接提问。
小型 Session 会在预算内尽可能使用完整上下文；材料较多时，Weft 会先在本地检索相关片段（即本地 RAG 引擎），再构建有上限的模型输入，避免无限堆叠内容。
生成结果中的 [S#] 可以打开对应来源；已有标签、笔记和 Smart Read 元数据也会参与检索。
14:30 ｜ Deep Search：缺什么再搜什么，而且先让人确认
如果现有 Session 无法回答问题，可以运行 Deep Search。
它不是直接把搜索结果混进答案，而是采用 Session-first 的流程：
[ol]
[/ol]
这样做的目的不是增加一层“Agent”概念，而是把联网搜索限制在真正有用、可观察、可取消的范围内。
当前可配置 SearXNG ，也支持 Tavily 、Brave Search 等方式。Session 检索和确定性计算在本地完成；规划与最终综合仍由你配置的模型处理。
16:30 ｜一键生成图表
选择 Diagram 后，Weft 可以基于 Session 生成 Mermaid 流程图、架构图或思维导图，适合快速整理文章结构或制作 PPT 素材。
3.1.0 重点修复了图表生成失败、文字与背景对比不足等问题，并将 Mermaid 改为按需加载。生成的 SVG 会经过清理，并在隔离环境中渲染，之后可以导出使用。
17:30 ｜关机，下周继续
Session 、标签、笔记、设置和近期对话都保存在浏览器本地。下次打开时，可以继续原来的研究，而不是从一堆标签页重新开始。
Session 还支持导出为可阅读的 HTML 文件并重新导入。分享给同事时，对方即使没有安装 Weft 也可以先阅读；安装后则可以将其中的片段恢复成新的 Session 。
Weft 和常见 AI 阅读工具有什么不同？
我们没有把 Weft 定位成“万能 Agent”。它更像一张铺在浏览器里的研究容器：你决定哪些材料放上来，AI 负责在这些材料之间检索、连接和表达。让学生党，白领，码农，高校青椒们摆脱无限复制粘贴的痛苦。
本地优先，但不是模糊地宣称“数据永不离开浏览器”
这部分我们希望说清楚。
三分钟上手
1. 安装
2. 打开工作台
固定 Weft 图标，然后通过图标或右键菜单打开侧边栏。
3. 配置模型
在 Settings 中选择模型服务。当前支持 OpenAI 、Anthropic 、Gemini 、DeepSeek 、Kimi 、Qwen 、Ollama 、Chrome Built-in AI ，以及自定义 OpenAI-compatible 端点。
除本地模型外，使用云端模型通常需要填写对应 API Key 。Thinking 默认关闭；对于无法完全关闭推理的模型，Weft 会使用其支持的较低推理强度，以改善首 Token 延迟。
4. 从 Demo Session 开始
安装后可以直接使用内置 Demo Session 体验 Report 、Verify 和 Diagram ，然后再建立自己的研究 Session 。
如果想循序渐进，可以这样试：
常见问题
Q：数据会上传到 Weft 的服务器吗？
不会，因为 Weft 不运营接收这些数据的服务器。资料与设置保存在浏览器本地。
但使用云端 LLM 时，完成任务所需的问题和证据会直连你选择的模型服务；使用外部搜索时，确认后的查询会发送给搜索服务。若希望尽量本地运行，可以选择 Ollama 或可用的 Chrome Built-in AI 。
Q：Session 很大时会不会卡？
Weft 对普通问答、Smart Read 、Deep Search 和 PDF 阅读都设置了输入、时间和资源预算。大 Session 会使用本地检索和有界上下文，而不是无限把全部内容发送给模型。这部分性能做过优化，不过本地 LLM ，如 Chrome 自带的 Gamma 可能会存在推理超时问题，这个没办法。
不同设备、模型和资料规模仍会影响体验。如果遇到问题，欢迎带着可复现案例提 Issue 。
Q：[W#] 外部证据有什么用？
它适合补充最新信息、寻找反例和暴露现有 Session 的盲区。[W#] 与主动保存的 [S#] 分开显示，方便判断证据来源。对于关键材料，建议打开原始来源核对，并将真正有价值的段落保存进 Session 。
Q：支持哪些 PDF ？
当前主要支持通过 HTTP(S) 打开、具有文本层且无需密码的 PDF 。扫描图片 PDF 、仅 POST 可访问的文件、一次性 blob: 链接、本地文件和部分加密 PDF 暂不支持；目前也没有 OCR 。
Q：支持 Firefox 或 Edge 吗？
当前主要面向 Chrome/Chromium ，并依赖 Manifest V3 与 Side Panel 等浏览器能力。其他浏览器需要根据对应 API 的兼容情况继续适配。
Q：是否微调了模型？
没有。Weft 不绑定单一模型，主要通过证据组织、本地检索、上下文预算、引用协议、原文校验和 Human-in-the-loop 流程提升稳定性。你可以更换模型，核心工作流保持一致。
开源、本地优先、可回溯
Weft 目前仍在快速迭代。如果你也长期被“开很多 Tab 、复制粘贴、问 AI 、再人工找来源”这套流程困扰，欢迎试用和star！也欢迎在 GitHub 提 Issue 、提交 PR ，或者直接在评论区告诉我们：你最希望浏览器里的研究工作流先解决哪一步？
