企业本地知识库 RAG 系统产品系统

企业知识管理、内部资料检索、法律/政策文档检索、客服知识库、科研资料问答等需要“私有文档 + 大模型问答”的业务场景。适合对数据隐私、离线部署和检索准确率有要求的企业内部应用。

知识库创建、删除、切换及文档批量导入管理。
文档自动解析、文本切块、Embedding 向量化及索引构建。
支持 FAISS / Milvus 向量检索，并可组合关键词检索形成混合召回。
召回结果通过 Reranker 二次排序，筛选高相关上下文后交给大模型生成答案。
支持多轮对话、历史消息管理、模型/Embedding/Reranker 等参数配置。
支持本地离线模型与 OpenAI Compatible 远程接口，方便不同部署环境切换。

实现方法：
数据层使用 SQLite 管理 knowledge_bases、documents、document_chunks、chats、messages、settings 等核心数据。
文档导入后按照可配置长度与重叠窗口进行切块，并保存 Chunk 与原文关联关系。
通过 Embedding 服务生成向量，使用 FAISS 或 Milvus 建立向量索引；检索阶段先 Top-K 召回，再使用 Reranker 进行精排。
问答阶段拼装高相关 Chunk 作为上下文，并调用大语言模型生成最终答案，减少无关上下文对回答质量的影响。
桌面端采用 PySide6，按照 UI → Service → 数据/模型层进行分层，导入、索引和对话等耗时任务使用独立线程执行，避免界面阻塞。
模型能力通过 HTTP API 抽象，可灵活接入本地推理服务、vLLM 或其他 OpenAI Compatible 服务。

亮点：
构建“文档解析 → Chunk → Embedding → Recall → Rerank → LLM”的完整 RAG 链路。
检索与生成模块解耦，可独立替换 Embedding、向量库、Reranker 和大模型。
兼顾桌面端产品化与后续服务端迁移，整体架构具备较强扩展性。
支持离线部署，适用于对数据安全和私有化部署要求较高的企业场景。