立项原因：旨在解决个人知识管理中的“信息过载与碎片化”问题。B站用户收藏了大量视频，但收藏即“吃灰”，难以回顾和利用其中的知识。本项目通过构建个人AI知识库，将B站收藏的视频内容（语音、字幕、简介）转化为可检索、可问答的结构化知识资产，解决“收藏从未停止，学习从未开始”的产品痛点。
行业场景：面向知识工作者、学生、研究者和B站深度用户，适用于以下业务背景：
个人学习：用户收藏的技术教程、公开课、行业分享等视频，通过ASR转文字后构建向量库，可随时用自然语言提问获取答案，无需重复观看。
内容创作：UP主或自媒体人收集大量素材后，通过语义搜索快速定位相关视频内容，辅助选题和文案撰写。团队知识沉淀：小团队将共同关注的B站收藏夹作为知识源，通过RAG问答共享和复用集体知识。教育场景：教师或学生围绕特定课程收藏的视频，构建专属知识库，用于复习和答疑。
B站扫码登录：通过B站官方API生成二维码，用户手机扫码确认后完成登录，无需密码，安全便捷。
收藏夹管理：展示用户所有收藏夹，支持展开查看每个收藏夹下的视频列表，并实时显示每个视频的入库状态（是否已同步到知识库）。
知识库构建：用户可勾选需要入库的整个收藏夹或单个视频，系统异步拉取视频内容，通过DashScope ASR语音识别提取音频文字，结合视频标题、简介等生成文档块，自动向量化并存储到pgvector中。支持增量更新，仅处理未入库的视频。
语义搜索：基于pgvector的向量相似度检索，用户输入关键词即可搜索已入库视频的内容片段，并按相似度排序返回，支持按用户隔离数据。
RAG智能问答：用户输入自然语言问题，系统自动判断问题类型（闲聊、列表查询、具体内容），针对具体内容问题采用检索增强生成（RAG）策略：从向量库召回Top-5相关文档块，结合通义千问生成带来源引用的回答。
多用户API Key管理：每个用户可独立设置自己的DashScope API Key，后端采用RSA + AES双重加密存储，前端使用Web Crypto API进行RSA-OAEP加密传输，保障密钥安全。
异步构建任务管理：使用Java 21虚拟线程管理后台构建任务，提供任务进度查询接口，前端展示同步进度条。
结果来源溯源：问答返回的内容附有来源视频标题和文档片段，用户可点击查看详情，确保回答可验证。
技术架构
后端：Spring Boot 3.4 + JDK 21（启用虚拟线程），Spring Data JPA + Hibernate，MySQL 8.x 存储业务数据，PostgreSQL + pgvector 存储向量数据。
AI平台：Spring AI Alibaba + DashScope（通义千问），使用qwen-plus/qwen-max作为LLM，text-embedding-v3生成1024维向量，paraformer-v2进行ASR语音识别。
前端：Vue 3（Composition API）+ Vite 6，Element Plus 2.9 UI组件，Vue Router 4路由。
加密：AES-256-GCM用于数据库存储加密，RSA-2048 OAEP用于前端到后端的API Key传输加密。
部署：Docker + Nginx，支持容器化运行。
核心模块与难点
视频内容提取优先级：同一视频可能有多种内容源（ASR、字幕、AI摘要、基本信息）。实现一个打分优先级策略，按顺序尝试获取：ASR > 字幕 > AI摘要 > 标题+简介，取第一个成功且有实质内容的来源入库，保证知识质量。
异步构建任务管理：同步收藏夹可能包含上百个视频，ASR转写耗时较长。使用Java 21虚拟线程提交任务，任务状态持久化到MySQL（build_tasks表），前端轮询获取进度。利用虚拟线程的高并发和低内存开销，可同时处理多个用户
评论