AI PDF Chat — 本地部署 PDF 智能问答系统（RAG）产品系统Vibe Coding

企业在日常经营中需要频繁查阅合同、标书、产品手册、培训资料等 PDF 文档，人工翻页检索效率低，容易遗漏关键条款或技术细节。同时，将敏感文档上传至公有云大模型存在数据泄露风险，许多中小企业希望在不外泄资料的前提下获得智能问答能力。本项目面向有文档知识库问答需求的中小企业、创业团队及内部培训场景，提供可本地部署的 PDF 智能检索与问答方案，解决“文档难检索、外部 AI 不安全”两类核心痛点，帮助用户基于自有资料快速获取准确答案。

本项目为一套完整的 PDF 智能问答 Web 应用，包含以下功能模块：

1. PDF 上传与解析：用户通过页面上传 PDF，后端使用 PyPDF 自动提取全文，并校验文件有效性与可提取文本。
2. 向量索引构建：对文档进行分段切块（支持 overlap 重叠），使用多语言 SentenceTransformer 模型生成向量，构建 FAISS 语义索引。
3. 语义检索问答：根据用户提问检索 Top-K 最相关段落，经相似度阈值过滤后作为上下文，调用大语言模型生成基于文档的回答。
4. 流式对话界面：深色主题 Web 前端，支持 Markdown 渲染、打字机式流式输出，交互体验接近主流 AI 聊天产品。
5. 会话管理：基于 session_id 隔离多用户会话，支持会话 TTL 过期清理与数量上限控制，避免内存占用过高。
6. 本地部署：通过 OpenAI 兼容接口对接 LM Studio 等本地推理服务，文档与问答数据全程不出本机，满足隐私与安全要求。

本人独立完成该项目的需求分析、架构设计、前后端开发及联调测试。技术架构为前后端分离：后端使用 FastAPI + Uvicorn，提供 /upload_pdf 上传建库与 /chat 流式问答接口；RAG 引擎封装为 FAISSStore 类，采用 L2 归一化 + IndexFlatIP 实现余弦相似度检索，并实现两阶段相似度过滤与 top-k 兜底策略；前端使用原生 HTML/CSS/JavaScript，通过 Fetch + ReadableStream 消费流式响应；大模型通过 OpenAI SDK 对接 LM Studio 本地服务。实现难点包括：PDF 文本切块策略设计、向量检索准确率优化、上下文长度截断防止超出模型 token 上限，以及多会话内存管理与过期清理机制。