个人知识库智能管家

当用户提出以下意图时触发本技能：

上传/导入文档并构建知识库 对已有文档进行提问、检索、摘要 管理知识库（查看文档列表、删除文档、清空） 使用自然语言描述文档处理需求（如"帮我把这些论文整理成知识库"） 核心能力

1. 多格式文档解析

文本分块策略（递归切分，三层降级）： 按段落切分（优先保持语义完整性） 段落过长时按句子切分（中英文句号/问号/叹号） 句子仍超长时按固定长度切分（含 overlap 重叠，默认 512 字符 / 128 重叠） 文本清洗： 多余空白合并 → 控制字符移除 → 连续空行压缩 → 页码格式移除

1. 向量检索引擎

Embedding 模型： BAAI/bge-large-zh-v1.5（1024 维，中文语义优化） 向量数据库： FAISS（IndexFlatIP + IndexIDMap，支持余弦相似度与文档删除） 检索策略： L2 归一化 → 内积相似度 → Top-K 过滤 → 相似度阈值截断（默认 0.7）

1. 本地 LLM 推理

默认模型： Qwen/Qwen2.5-7B-Instruct OpenVINO 加速： 支持 CPU/GPU/NPU 自动选择（优先级 NPU > GPU > CPU） INT8 量化： 默认启用，7B 模型显存从 ~14GB 降至 ~7GB 模型缓存： 首次转换后持久化存储，后续直接加载

1. RAG 问答流水线

提供四种查询模式：

Agent 工作流程 当用户上传文档或提出知识库相关请求时，按以下流程执行：

阶段一：文档导入 用户上传文档 → DocumentProcessor.process() 解析 + 分块 → EmbeddingEngine.encode() 向量化（批量处理，默认 batch_size=32） → VectorStore.add() 写入 FAISS 索引 + 持久化 → 返回处理结果（成功/失败文档列表 + 总分块数） Agent 操作指引：

收到文件后立即调用 adddocuments()，不等待用户确认 若文件格式不支持，明确告知用户并列出支持格式 处理完成后汇报结果：成功 N 个文档，共 M 个文本块 阶段二：知识检索 用户提问 → EmbeddingEngine.encode([query]) 查询向量化 → VectorStore.search() Top-K 检索 + 阈值过滤 → RAGPipeline.build_context() 构建上下文 → LLMEngine.generate() 生成回答 → 返回 { answer, sources, citations } Agent 操作指引：

标准问题使用 query()，学术/严谨场景使用 querywithcitation() 回答时展示来源文档信息 若检索结果低于阈值，诚实告知"知识库中未找到相关信息" 阶段三：知识库管理 Agent 操作指引：

listdocuments() → 以表格形式展示文档列表 deletedocument(id) → 删除前需用户确认 clearknowledgebase() → 危险操作，必须二次确认 get_stats() → 展示文档数、分块数、模型信息等统计