知识库
知识库页实现了一条完整的本地 RAG（检索增强生成）流水线。上传你的文档、生成嵌入、用自然语言检索 —— 全部存放在你的浏览器里。
侧边栏位置： 知识库 路由： /rag
什么是 RAG？
RAG 是 Retrieval-Augmented Generation（检索增强生成）的缩写。它不再只依赖模型训练时学到的内容，而是把你自己文档中的相关片段喂给模型。模型随后以这些片段为上下文，给出更准确、更有依据的回答。
上传文档
点击上传并选择一个或多个文件。支持的格式：
| 格式 | 扩展名 | 解析器 |
|---|---|---|
.pdf | pdfjs-dist（按需加载） | |
| Word | .docx | mammoth |
| 纯文本 | .txt、.md | 原生 |
| CSV | .csv | papaparse |
处理流水线
上传之后，每个文档会经过三个阶段：
- 解析 —— 从文件格式中提取原始文本
- 切分 —— 把文本切成互相重叠的片段（大小与重叠量可配置）
- 嵌入 —— 用你选择的嵌入模型为每个片段生成向量
进度会按文档分别显示。完成后，文档状态会变为「就绪」。
检索
- 在搜索栏中输入自然语言查询。
- 结果按余弦相似度排序，语义上最相关的片段排在最前。
- 每条结果显示：
- 匹配到的文本片段
- 来源文档名称
- 相似度分数
- 元数据（页码、章节、字符偏移量）
管理文档
- 启用 / 停用 —— 控制文档是否参与检索。停用的文档不会出现在结果中。
- 删除 —— 从 IndexedDB 中移除文档及其全部片段。
- 状态指示 —— 显示处理阶段（解析中、切分中、嵌入中、就绪、出错）。
存储
一切都存放在浏览器内置的数据库 IndexedDB 中：
- 零成本 —— 不需要任何外部服务
- 零配置 —— 开箱即用
- 数据留在你自己的机器上
- 刷新浏览器不会丢失（但清除浏览器数据会）
与对话的结合
当知识库中有文档时，相关片段可以自动作为上下文加入你的对话，让模型的回答建立在你自己的数据之上。
小贴士
- 较小的片段（200–400 token）通常能得到更精准的检索结果。
- 嵌入模型很重要 —— 对英文文本，
nomic-embed-text通常表现不错。 - 大型 PDF 需要一些处理时间。界面会显示进度，方便你跟踪流水线。
- 你可以上传多个文档，并同时在所有文档中检索。