微信扫一扫，关注「瑞佰仑创新」
基于本地大语言模型的个人知识库系统。Markdown 文档管理、语义检索、RAG 智能问答， 全程离线运行，数据不出本机。
从文档管理到智能问答，构建完整的本地知识引擎
基于本地文件系统的 Markdown 知识库，支持 Frontmatter 元数据、文档导入/编译/分类，多种文档类型（概念、实体、摘要、分析）。
BM25 关键词检索 + 向量语义检索双通道，RRF 融合算法合并排序，LLM 驱动的重排序，精准命中所需知识。
基于检索增强生成的对话式问答，支持上下文引用标注（[1] [2] 格式）、多轮对话、流式响应输出。
语义分块、按章节分块、按段落分块、固定大小分块。智能 Markdown 清洗，代码块/表格/引用识别，chunk 级向量存储。
可视化索引状态监控，SSE 流式索引构建进度，在线切换分块策略，一键重建索引。
无任何云端依赖。Ollama 本地推理，FAISS 本地向量存储，所有数据留在本机，隐私安全有保障。
模拟真实的 RAG 问答流程，体验检索增强生成的完整过程
前端 React → 后端 FastAPI → FAISS 向量库 + BM25 索引 → Ollama 本地推理
精心设计的检索增强生成管道，每个环节都追求最优
Reciprocal Rank Fusion 将 BM25 与向量检索结果按排名倒数加权融合，无需调参即可实现高质量的混合检索排序。
语义分块基于内容相似度切分，按章节/段落分块保留文档结构，固定大小分块确保均匀。智能识别代码块、表格、引用区域避免误切。
索引构建进度、LLM 对话响应均通过 Server-Sent Events 实时推送，用户无需等待即可看到逐步生成的结果。
向量存储以 chunk 为粒度，检索结果自动聚合到文档级别，既保证检索精度又提供完整的上下文视图。
Ollama 本地运行 bge-m3 嵌入模型和 qwen2.5:7b 对话模型，无需 GPU 集群，普通笔记本即可运行。
分块前自动清洗 Markdown 文本，保留语义完整性。识别代码块边界、表格结构、引用段落，确保切分不破坏内容结构。
支持私有化部署，可根据需求定制知识库结构、检索策略与问答模型。