（1134期）backboard – 持久记忆与文档 RAG 助手平台

持久记忆与文档 RAG 助手平台 Backboard.io 官方 SDK 封装技能，为 Claude 提供持久化记忆、多助手管理和文档 RAG 能力，需本地 Flask 后端支持。 使用说明 核心用法 Backboard 技能通过本地 Flask 后端（端口 5100）将 Backboard.io 平台能力集成到 Claude 中，提供三大核心功能模块： 1. 助手生命周期管理：创建、配置、删除具有独立系统提示词的 AI 助手，支持多助手并行管理。每个助手拥有独立的记忆空间和文档库。 2. 持久化记忆系统：通过 backboardaddmemory 存储跨对话的用户偏好、背景信息，支持 CRUD 完整操作和元数据分类。记忆可在对话中设置为 Auto/Readonly/off 三种模式。 3. 文档 RAG 能力：支持 PDF、DOCX、XLSX、PPTX、TXT、CSV、MD 及代码文件的上传与向量化索引，实现基于私有文档的知识问答。 4. 线程化对话：为每个助手创建独立对话线程，维护完整消息历史，支持多会话并行。 显著优点 企业级记忆架构：相比 Claude 原生上下文窗口，提供真正的持久化存储，解决长周期对话中的信息遗忘问题 多租户助手设计：单一入口管理多个专业助手（如代码审查、客服、写作助手），各助手配置隔离 完整 RAG 流水线：内置文档解析、分块、向量化全流程，无需额外配置向量数据库 类型安全：后端使用 Pydantic 严格校验，输入错误即时反馈 临时文件安全：上传文件使用 tempfile.NamedTemporaryFile 并自动清理，无磁盘残留风险 潜在缺点与局限性 基础设施依赖：必须预先部署并维护本地 Flask 后端，增加运维复杂度 网络单点故障：所有操作依赖 Backboard.io 云服务可用性，离线环境完全不可用 端口冲突风险：固定使用 5100 端口，可能与现有服务冲突 T3 来源可信度：虽代码审计通过，但维护者为个人开发者（chrisk60331），长期支持存在不确定性 无本地模型选项：无法私有化部署，数据必须出境至 Backboard 服务器 文件大小限制未明确：文档上传的实际容量限制取决于 Backboard 平台策略 适合的目标群体 需要跨会话记忆的个人知识管理用户 运营多角色 AI 助手的小型团队（客服、内容、编程等场景） 希望快速搭建文档问答而无须自建向量数据库的开发者 已使用或评估采用 Backboard.io 平台的早期采用者 使用风险 数据主权风险：记忆内容与上传文档存储于第三方美国云服务，涉及合规审查场景需谨慎 API Key 泄露：环境变量配置不当可能导致密钥暴露，建议配合密钥管理服务 后端服务稳定性：本地 Flask 为开发服务器，生产环境需额外配置 Gunicorn 等 WSGI 容器 版本锁定成本：深度集成后迁移至其他记忆/RAG 方案需重构对话逻辑 原始说明 Integrate Backboard.io for assistants, threads, memories, and document RAG via a local backend on http://localhost:5100.