企业本地知识库问答系统开源项目Vibe Coding

当前企业数字化转型过程中，内部规章制度、业务手册、技术文档等非结构化数据体量激增，传统关键词检索方式存在精准度低、匹配度差的问题，员工文档查询效率极低；同时多数企业对内部核心数据有严格保密要求，云端大模型问答服务存在严重的数据泄露风险，而市面现有本地化 RAG 方案部署门槛高、运维成本高，普通中小企业及部门难以落地使用。本项目立项旨在解决上述行业痛点，打造一款低门槛、高安全、可离线部署的本地知识库问答工具，降低企业大模型应用落地门槛，提升内部文档查询与知识流转效率

本项目包含四大核心功能模块，各模块功能如下：1.RAG 核心检索与生成模块，支持 Markdown 格式文档的批量导入、自动解析，完成文本智能切分、语义向量化处理，基于 FAISS 构建本地向量索引，实现精准语义召回与大模型增强生成，输出贴合文档内容的精准答案；2. 桌面端 GUI 交互模块，基于 PyQt5 开发可视化桌面界面，支持用户便捷完成文档管理、提问交互、会话切换等全流程操作，界面简洁易上手，无技术背景用户也可快速使用；3. 会话历史管理模块，基于 JSON 实现会话数据的本地持久化存储，支持历史会话的查看、回溯、删除与管理，完整保留用户的问答上下文；4. 多模态语音交互模块，自研 speech_manager 模块，集成高精度 STT 语音转文本与 TTS 文本转语音能力，支持用户语音发起提问、答案自动语音播报，实现全双工实时语音交互，适配无键盘操作、视障辅助等多元场景。

本项目为本人独立全栈开发完成，全程负责项目需求调研、架构设计、代码开发、测试优化全流程工作，完成所有功能模块的设计与落地。项目采用模块化低耦合的整体架构，以 Python 为核心开发语言，基于 LangChain 框架搭建完整的 RAG 检索增强生成链路，向量模型选用 BAAI/bge-large-zh 中文大模型，搭配 FAISS 本地向量数据库实现高效语义检索，基于 PyQt5 开发桌面端 GUI 界面，自研封装模块实现多模态语音交互能力。项目核心亮点在于实现了完全本地化离线部署，核心数据全程留存本地，彻底杜绝数据泄露风险，同时通过异步线程优化实现界面零卡顿运行，多模态交互能力大幅拓宽了产品应用场景。开发过程中核心难点为大模型网络请求阻塞 UI 主线程导致界面卡顿崩溃，以及长文档语义召回率不足的问题；针对界面卡顿问题，引入 QThread 异步工作线程机制，将大模型请求、文档处理等所有耗时操作剥离至子线程执行，主线程仅负责 UI 渲染，通过信号槽机制完成线程间通信，彻底解决卡顿问题，将界面响应延迟控制在 100ms 以内；针对语义召回率低的问题，采用 RecursiveCharacterTextSplitter 优化文本切分策略，设置适配中文文档的 chunk 大小与重叠率，搭配中文优化的 BGE 向量模型。