企业知识库demo产品系统Vibe Coding

一家灯饰外贸小企业，试图用 AI 把十几年积累的业务经验"存下来、查得到、用得起"，对内提效、对外接单更专业。

1.功能模块：文档加载：读取 产品目录.csv、FAQ常见问题.csv、.txt 文件，自动分块入库、智能检索：混合搜索（关键词匹配 + 精确短语匹配 + 产品型号匹配），Top-5 召回、AI问答：Ollama + qwen3.5:9b + RAG Prompt，基于检索到的资料生成回答、会话管理：Streamlit 聊天界面，多轮对话会话状态保持、系统配置:侧边栏控制面板，模型预热（keep_alive=-1 常驻内存）
2主要功能：多格式文档入库:支持 CSV、TXT 文件自动加载解析，按段落分块，作为知识检索的数据源。当前入库了 16 款产品数据 + 10 条中英双语 FAQ、智能混和检索:用户提问后，系统用关键词 + 精确短语 + 产品型号（如 WL-01、PL-03）三重匹配策略，从文档中召回最相关的 Top-5 片段，作为 AI 回答的参考资料、RAG问答:检索到的资料 + 用户问题一起送入 qwen3.5:9b，以"小挚"（户外灯出口知识助手）的角色，基于资料生成简洁准确的中文回答。资料中没有的内容会明确说"没有找到相关信息"、聊天式交互:Streamlit 搭建的对话界面，支持多轮追问，历史对话保持在侧边栏可回顾、本地离线运营:模型预热后常驻内存，无需联网，所有推理和检索都在本地完成。

1.需求分析和产品定义、技术选型和环境搭建、应用开发、数据准备
2技术栈： 语言是 Python，前端用 Streamlit 搭界面，本地大模型跑 Ollama 框架，生成模型是 qwen3.5:9b，词嵌入模型预留了 nomic-embed-text。向量数据库选了 ChromaDB（配置已写好但当前版本未接入），数据处理用了 pandas 和 openpyxl。
3.架构： 典型的 RAG 架构——用户提问后，先走检索层从本地文档中召回相关片段，再把召回的上下文和问题一起拼进 Prompt，发给大模型生成最终回答。当前检索层用的是关键词 + 短语 + 型号匹配的混合搜索策略，没有走向量检索，这使得检索速度很快但语义理解能力有限。
4.实现的亮点：全离线运行、混合搜索的工程取舍