# knowledgebase

**Repository Path**: wangdong_cmcc/knowledgebase

## Basic Information

- **Project Name**: knowledgebase
- **Description**: 构建本地知识库
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-22
- **Last Updated**: 2026-05-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 本地RAG知识库问答系统

基于 DeepSeek 模型的完全本地化知识库问答系统，支持本地模型和云端API一键切换。

## ✨ 特性

- **完全本地化**：文档存储和向量检索都在本地，保护数据隐私
- **双模型支持**：一键切换本地 DeepSeek 模型和云端 DeepSeek API
- **多向量数据库**：生产使用 **Qdrant**（高性能，支持 local/SQLite 和 server/Docker 双模式），`dev/` 目录下另有 **Chroma** 和 **Milvus**（实验性）实现
- **多格式文档**：支持 TXT、Markdown、PDF、EPUB、HTML、DOCX、PPTX、CSV 等格式
- **智能检索**：基于向量相似度的语义搜索
- **答案溯源**：每个回答都会标注参考文档来源
- **增量更新**：只添加新文档，无需重建整个索引
- **断点续传**：索引构建中断后可从断点继续
- **进度显示**：实时显示处理进度和速度统计
- **一键运行**：提供自动化脚本，自动检查环境、安装依赖、构建索引

## 🎯 适用场景

- 个人知识库管理（学习笔记、技术文章、电子书）
- 团队内部文档问答（规章制度、操作手册）
- 项目文档检索（需求文档、设计文档）
- 政策法规查询（法律条文、公司政策）
- 技术文档助手（API文档、用户手册）

## 📋 系统要求

### 硬件要求
| 配置 | 最低要求 | 推荐配置 |
|------|----------|----------|
| 内存 | 8GB | 16GB |
| 硬盘 | 10GB | 20GB |
| CPU | 4核 | 8核 |

### 软件要求
- Python 3.9 或更高版本
- Ollama（本地模型服务）
- macOS / Linux / Windows（WSL2）

## 🚀 快速开始

### 一键运行（推荐）

```bash
chmod +x run.sh && ./run.sh
```

脚本会自动完成：
1. 检查 Python 环境
2. 检查并启动 Ollama 服务
3. 下载所需模型（deepseek-r1:1.5b、nomic-embed-text）
4. 安装 Python 依赖
5. 运行模型测试
6. 构建知识库索引（支持断点续传）
7. 启动问答系统

### 分步启动

#### 第一步：安装 Ollama 和模型

```bash
# 安装 Ollama（macOS）
brew install ollama

# 或访问 https://ollama.com 下载对应版本

# 启动 Ollama 服务
ollama serve

# 新开终端，下载所需模型
ollama pull deepseek-r1:1.5b
ollama pull nomic-embed-text
```

#### 第二步：创建项目

```bash
# 创建项目目录
mkdir knowledgebase && cd knowledgebase

# 创建文档目录
mkdir docs

# 创建示例文档
# 略
```

#### 第三步：安装 Python 依赖

```bash
pip3 install -r requirements.txt
```

#### 第四步：创建脚本文件

将以下脚本文件放入项目目录：

| 文件 | 说明 |
|------|------|
| `run.sh` | 一键运行脚本 |
| `config.py` | 配置文件（切换模型 / 向量数据库类型 / Qdrant 模式） |
| `model_client.py` | 统一模型调用接口 |
| `build_index_qdrant.py` | 索引构建脚本（默认使用 Qdrant，也支持 Chroma） |
| `query_kb_qdrant.py` | Qdrant 问答系统主程序 |
| `test.py` | 模型测试脚本 |
| `dev/` | 其他向量数据库实验版本（Chroma、Milvus） |

#### 第五步：构建索引

```bash
# 日常使用：自动检测新文档，有则更新，无则跳过
python3 build_index_qdrant.py

# 强制重建（删除现有数据重新构建）
python3 build_index_qdrant.py --update
```

#### 第六步：启动问答

```bash
# 默认使用 Qdrant（推荐）
python3 query_kb_qdrant.py

# 如需使用 Chroma，运行 dev/ 下的版本：
# python3 dev/query_kb_chroma.py
```

## 📚 支持的文档格式

| 格式 | 扩展名 | 依赖 | 说明 |
|------|--------|------|------|
| 文本文件 | `.txt` | 无 | 纯文本，UTF-8/GBK编码 |
| Markdown | `.md` | 无 | 保留标题结构 |
| PDF | `.pdf` | `pypdf` | 自动提取文本 |
| HTML | `.html` | `beautifulsoup4` | 自动提取正文 |
| EPUB | `.epub` | `ebooklib`, `beautifulsoup4` | 电子书格式 |
| Word | `.docx` | `python-docx` | 可选支持 |
| PowerPoint | `.pptx` | `python-pptx` | 演示文稿 |
| CSV | `.csv` | 无 | 表格数据 |
| Excel | `.xlsx` `.xls` | `openpyxl`, `xlrd` | 自动按 sheet 拆分 |

## ⚙️ 配置说明

### 向量数据库配置（`config.py`）

```python
# 向量数据库类型（当前生产使用 qdrant）
VECTOR_DB_TYPE = "qdrant"   # qdrant（默认，推荐）| chroma（实验性，见 dev/）

# Qdrant 模式（VECTOR_DB_TYPE = "qdrant" 时生效）
QDRANT_MODE = "local"  # "local" | "server" | "memory"
QDRANT_DIR = "./qdrant_data"
```

> **Chroma 和 Milvus 用户**：这些实现在 `dev/` 目录下，不作为通用推荐。
> Chroma 入口为 `dev/query_kb_chroma.py`，Milvus 当前有 bug 尚未修复。

#### Qdrant 场景（高性能选择）

Qdrant 支持双模式，覆盖开发到生产的所有需求：

| 模式   | 存储引擎                   | 索引             | 适用场景                     |
|--------|----------------------------|------------------|------------------------------|
| local  | SQLite                     | 无 HNSW          | 开发测试、小规模数据         |
| server | RocksDB/Gridstore + HNSW   | ANN 近似搜索     | 生产部署、大规模数据         |

```python
# 启用 Qdrant
VECTOR_DB_TYPE = "qdrant"
QDRANT_MODE = "local"   # 本地模式（默认）
QDRANT_MODE = "server"  # 服务器模式（Docker）
```

### 模型切换（`config.py`）

```python
# 修改这一行即可切换模型
MODEL_TYPE = "local"   # 使用本地模型
MODEL_TYPE = "cloud"   # 使用云端 API
```

### 本地模式配置

```python
LOCAL_MODEL_NAME = "deepseek-r1:1.5b"
OLLAMA_BASE_URL = "http://localhost:11434"
```

### 云端模式配置

```python
# 方式一：直接填写（不推荐）
DEEPSEEK_API_KEY = "sk-你的密钥"

# 方式二：环境变量（推荐）
export DEEPSEEK_API_KEY="sk-你的密钥"

CLOUD_MODEL_NAME = "deepseek-v4-flash"
CLOUD_API_BASE = "https://api.deepseek.com/v1"
```

### 检索和生成参数

```python
TOP_K = 3           # 检索相关文档数量（1-10）
TEMPERATURE = 0.3   # 答案随机性（0-1，越低越保守）
MAX_TOKENS = 1024   # 最大输出长度
```

### Qdrant 服务器模式（生产推荐）

本地文件模式适合单机开发和小规模数据，使用 SQLite 存储引擎；服务器模式使用 RocksDB（≤1.12）/ Gridstore（≥1.13）+ HNSW 索引，支持大规模数据和远程访问。

```python
# config.py 中切换运行模式
QDRANT_MODE = "server"   # "local"（默认）| "server" | "memory"

# 服务器模式下需要配置的主机信息
QDRANT_HOST = "localhost"
QDRANT_PORT = 6333       # HTTP
QDRANT_GRPC_PORT = 6334  # gRPC
```

**启动 Qdrant 服务器：**

```bash
# Docker 方式（推荐）
docker run -d -p 6333:6333 -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant
```

切换后建库和查询脚本会自动通过 HTTP API 连接服务器，无需修改其他代码。

## 📖 使用指南

### 基本操作

| 命令 | 说明 |
|------|------|
| `你的问题` | 直接输入问题，系统会从知识库检索并回答 |
| `info` | 查看当前使用的模型信息 |
| `switch` | 查看模型切换方法 |
| `quit` | 退出程序 |

### 问答示例

````
 ./run.sh
==========================================
本地知识库 RAG 系统 - 一键运行
==========================================
✓ 依赖已安装
构建/更新索引...
============================================================
知识库构建工具（向量库: qdrant，嵌入模型: nomic-embed-text）
============================================================

1. 加载文档...
2026-05-22 15:32:38,892 - INFO - 加载: example.md
2026-05-22 15:32:38,894 - INFO -   ✓ 成功 (1 段)
2026-05-22 15:32:38,894 - INFO - 加载: Effective-Python-2nd.pdf
2026-05-22 15:32:45,736 - INFO -   ✓ 成功 (472 段)
2026-05-22 15:32:45,736 - INFO - 加载: C-Programming-Language.pdf
2026-05-22 15:32:47,009 - INFO -   ✓ 成功 (238 段)
2026-05-22 15:32:47,009 - INFO - 加载: Python-Crash-Course-2015.pdf
2026-05-22 15:32:54,431 - INFO -   ✓ 成功 (562 段)
2026-05-22 15:32:54,431 - INFO - 加载: Linux-Device-Driver-3th.pdf
2026-05-22 15:33:01,985 - INFO -   ✓ 成功 (632 段)
2026-05-22 15:33:01,985 - INFO - 加载: c++-primer-5th.pdf
2026-05-22 15:33:11,570 - INFO -   ✓ 成功 (1399 段)
2026-05-22 15:33:11,570 - INFO - 加载: fluent-python-2th.epub
2026-05-22 15:33:12,095 - INFO -   ✓ 成功 (1 段)
2026-05-22 15:33:12,095 - INFO - 加载: C-and-Pointer-2020.epub
2026-05-22 15:33:12,421 - INFO -   ✓ 成功 (1 段)
共加载 3306 个文档
文件类型: {'markdown': 1, 'pdf': 3303, 'epub': 2}
2026-05-22 15:33:12,425 - INFO - 去重: 3306 -> 3107

2. 切分文档...
生成 18863 个文本块

3. 创建向量库 (qdrant)...
2026-05-22 15:33:12,719 - INFO - HTTP Request: GET http://localhost:6333 "HTTP/1.1 200 OK"
2026-05-22 15:33:12,723 - INFO - HTTP Request: GET http://localhost:6333/collections "HTTP/1.1 200 OK"
2026-05-22 15:33:12,723 - INFO - 集合已存在: knowledge_base
2026-05-22 15:33:12,723 - INFO - 自动模式：增量更新已有数据
   
2026-05-22 15:44:04,691 - INFO - HTTP Request: PUT http://localhost:6333/collections/knowledge_base/points?wait=true "HTTP/1.1 200 OK"
   添加文本块: 100%|██████████████████████████████████████████████████████████████████████████████████████████████| 19/19 [10:51<00:00, 34.31s/批次]

✅ 构建完成! 耗时: 685.81 秒 (27.50 块/秒)

启动问答系统...
============================================================
初始化知识库问答系统（QdrantDB）
============================================================

1. 加载嵌入模型...
   ✓ 嵌入模型: nomic-embed-text
2. 加载 Qdrant 向量库...
   ✓ Qdrant 加载成功（服务器模式）
   - 服务器: localhost:6333
   - 集合名称: knowledge_base
   - 文档数量: 37726
   - 向量维度: 768
3. 加载大模型...
✓ 本地模型已就绪: deepseek-r1:1.5b

============================================================
当前模式: 本地
模型名称: deepseek-r1:1.5b
检索数量: 10
温度参数: 0.3
============================================================

📊 知识库统计:
   - 文档总数: 37726
   - 文件类型: {'pdf': 798, 'epub': 202}

📝 命令说明:
  - 直接输入问题开始问答
  - 'stats' 查看知识库统计
  - 'switch' 查看切换模型方法
  - 'info' 查看当前模型信息
  - 'score <问题>' 查看相似度分数
  - 'filter <类型> <问题>' 按类型过滤
  - 'help' 显示所有命令
  - 'quit' 退出
------------------------------------------------------------

❓ 你: Python列表的使用方法

🔍 问题: Python列表的使用方法
💡 检索相关文档...
   ✓ 找到 10 个相关文档
💡 生成答案...
  助手:
Python列表是动态容器，支持多种操作，以下是常见的列表使用方法：

1. **创建列表**  
   ```python
   my_list = [1, 2, 3]
   ```

2. **增加元素**  
   使用 `append()` 方法添加元素到列表末尾。  

   ```python
   my_list.append(4)  # 结果：[1, 2, 3, 4]
   ```

3. **删除元素**  

   - 删除指定位置的元素：`del my_list[i]`
   - 删除所有出现该值的元素：`my_list.remove(x)`

   ```python
   my_list.remove(2)  # 结果：[1, 3]
   del my_list[1]  # 结果：[1, 3]
   
   # 使用 del 列表中所有出现的 2
   my_list.remove(2)
   ```

### 总结：

列表的主要功能是动态存储和操作，支持增加、删除、查找等常用操作。通过上述方法，可以轻松创建和管理列表对象。

📚 参考来源: C-and-Pointer-2020.epub, fluent-python-2th.epub
````

### 添加新文档

```bash
# 方法1：使用一键运行（推荐）
cp your_document.pdf docs/
./run.sh

# 方法2：直接构建（自动检测新文档）
cp your_document.pdf docs/
python3 build_index_qdrant.py

# 方法3：强制重建
python3 build_index_qdrant.py --update
```

### 更新现有文档

```bash
# 文档内容变化后需要强制重建（删除旧数据重新索引）
python3 build_index_qdrant.py --update
```

## 🔧 高级配置

### 调整分块大小（`build_index_qdrant.py` / `config.py`）

```python
# 技术文档：更大块保留上下文
CHUNK_SIZE = 800
CHUNK_OVERLAP = 100

# 问答文档：小块提高精度
CHUNK_SIZE = 300
CHUNK_OVERLAP = 30

# 源码文档：中等块
CHUNK_SIZE = 1000
CHUNK_OVERLAP = 200
```

### 性能优化建议

| 文档类型 | CHUNK_SIZE | CHUNK_OVERLAP | 原因 |
|---------|------------|---------------|------|
| 长篇文章 | 800-1000 | 150-200 | 保留完整段落 |
| 问答对 | 200-300 | 20-30 | 提高匹配精度 |
| 代码 | 500-800 | 50-100 | 保持函数完整 |
| 法律条文 | 400-600 | 50 | 保持条款独立 |

### 使用其他本地模型

```bash
# 下载其他模型
ollama pull qwen2:7b
ollama pull llama3:8b
ollama pull mistral:7b

# 修改 config.py
LOCAL_MODEL_NAME = "qwen2:7b"
```

### 使用其他云端模型

```python
# 修改 config.py
CLOUD_MODEL_NAME = "deepseek-v4-base"  # 或其他兼容 OpenAI API 的模型
CLOUD_API_BASE = "https://api.deepseek.com/v1"
```

### **详细使用介绍**

```bash
# 一键运行（推荐）
chmod +x run.sh && ./run.sh

# 或分步执行
python3 build_index_qdrant.py
python3 query_kb_qdrant.py

# 更新知识库
./run.sh
# 或
python3 build_index_qdrant.py

# 重建知识库
python3 build_index_qdrant.py --update
```

**切换模型：** 修改 `config.py` 中的 `MODEL_TYPE = "local"` 或 `"cloud"`

**切换 Qdrant 模式：** 修改 `config.py` 中的 `QDRANT_MODE = "local"` 或 `"server"`

**切换 Qdrant 模式：** 修改 `config.py` 中的 `QDRANT_MODE = "local"` 或 `"server"`

**性能优化：** 调整 `config.py` 中的 `BATCH_SIZE` 和 `CHUNK_SIZE` 参数



## 📁 项目结构

```
knowledgebase/
├── run.sh                    # 一键运行脚本
├── config.py                 # 配置文件（切换模型 / Qdrant 模式）
├── model_client.py           # 统一模型调用接口
├── build_index_qdrant.py     # 索引构建脚本（Qdrant + Chroma）
├── query_kb_qdrant.py        # Qdrant 问答系统主程序（默认）
├── test.py                   # 模型测试脚本
├── design.md                 # 设计文档
├── issues.md                 # 踩坑记录
├── ROADMAP.md                # 代码阅读路线图
├── dev/                      # 实验性向量数据库实现
│   ├── query_kb_chroma.py    #   Chroma 问答
│   ├── build_index_chroma.py #   Chroma 建库
│   ├── query_kb_milvus.py    #   Milvus 问答（有 bug）
│   └── build_index_milvus.py #   Milvus 建库（有 bug）
├── docs/                     # 文档目录（放你的文件）
├── chroma_data/              # Chroma 向量数据库（自动生成）
├── qdrant_data/              # Qdrant 本地模式向量数据库（自动生成）
├── build_index.log           # 构建日志文件（自动生成）
└── .first_run_done           # 首次运行标志（自动生成）
```

## 📊 性能参考

### 索引构建性能对比（实际测试数据）

测试环境：Intel/Apple Silicon Mac，16GB 内存，SSD 硬盘
- **文档数量**：3,306 个（去重后 3,107 个）
- **文本块数量**：18,863 个
- **向量维度**：768（nomic-embed-text）
- **测试日期**：2026-05-22

#### 各模式性能对比

| 指标 | Chroma | Qdrant（本地模式） | Qdrant（服务器模式） |
|------|--------|-------------------|---------------------|
| **文档加载** | ~35秒 | ~35秒 | ~35秒 |
| **文本分块** | ~5秒 | ~5秒 | ~5秒 |
| **向量生成** | ~10分钟 | ~10分钟 | ~10分钟 |
| **总构建时间** | ~12分钟 | ~9.7分钟¹ | **~11.4分钟** |
| **处理速度** | ~26 块/秒 | 26.26 块/秒 | **27.50 块/秒** |
| **磁盘占用** | 150-200MB | 150-200MB | 200-300MB |
| **内存占用** | 2-3GB | 2-3GB | 3-3.5GB |
| **批次大小** | 500/批 | 1000/批 | 1000/批 |
| **批次数** | ~38 批 | 16 批 | 19 批 |
| **额外依赖** | 无 | 无 | Docker |


#### 实际测试数据详情

**服务器模式**（18,863 个文本块 → 37,726 个向量点）：
- 总耗时：**685.81 秒**（约 11.4 分钟）
- 处理速度：**27.50 块/秒**
- 批次耗时：28-46 秒/批（平均 34.3 秒/批）
- Qdrant 版本：latest (Docker)

**本地模式**（15,221 个文本块 → 30,442 个向量点）：
- 总耗时：**579.65 秒**（约 9.7 分钟）
- 处理速度：**26.26 块/秒**
- 批次耗时：28-52 秒/批（平均 34.5 秒/批）
- Qdrant 版本：local (SQLite)

### 批次处理性能对比

| 批次阶段 | 本地模式 | 服务器模式 | 说明 |
|----------|----------|------------|------|
| 前期（1-10批） | 28-30秒/批 | 28-30秒/批 | 性能基本持平 |
| 中期（11-15批） | 28-34秒/批 | 29-46秒/批 | 服务器波动较大 |
| 后期（最后批次） | 51.5秒/批 | 45.9秒/批 | 服务器更优 |
| **稳定性** | 更稳定 | 略有波动 | 本地模式更稳定 |

### 性能结论

1. **构建速度**：三种模式差异不大（±15%以内）
2. **本地模式**：最稳定，资源占用少，适合个人使用
3. **服务器模式**：后期处理更优，支持并发，适合生产环境
4. **Chroma**：最轻量，适合快速原型开发

### 选择建议

| 使用场景 | 推荐方案 | 理由 |
|----------|----------|------|
| 个人学习/测试 | **Qdrant 本地模式** 或 Chroma | 简单、稳定、无需额外服务 |
| 小规模知识库（<2万块） | **Qdrant 本地模式** | 性能足够，9.7分钟构建完成 |
| 生产环境/团队协作 | **Qdrant 服务器模式** | 支持并发、远程访问、更可靠 |
| 快速原型开发 | **Chroma** | 最轻量，零配置 |

### 优化建议

#### 批次大小优化
```python
# config.py
BATCH_SIZE = 1000  # 推荐值，相比500提升40%速度
CHUNK_SIZE = 1000  # 根据文档类型调整
CHUNK_OVERLAP = 200

### 本地模式（deepseek-r1:1.5b）

| 指标 | 数值 |
|------|------|
| 首次索引速度 | 100页/分钟 |
| 检索延迟 | 50-100ms |
| 生成速度 | 20-30 token/秒 |
| 内存占用 | 2-3GB |
| 向量库大小 | 文档的2-3倍 |

### 云端模式（deepseek-v4-flash）

| 指标 | 数值 |
|------|------|
| 首次索引速度 | 100页/分钟 |
| 检索延迟 | 50-100ms |
| 生成速度 | 网络延迟+模型响应 |
| API 成本 | 按 token 计费 |

## 🔐 隐私说明

- **本地模式**：所有数据处理都在本地，文档不会离开你的电脑
- **云端模式**：只有问题发送到云端 API，文档和向量库仍在本地
- **Qdrant**：本地文件模式使用 SQLite，服务器模式使用 RocksDB/Gridstore，均存储在本机
- **建议**：敏感文档使用本地模式



## ❓ 常见问题

### Q1: 提示找不到模块

**解决方法**：
```bash
pip3 install 缺少的包名
# 完整安装
pip3 install -r requirements.txt
```

### Q2: Ollama 连接失败

**解决方法**：
```bash
# 确保 Ollama 服务在运行
ollama serve

# 检查模型是否已下载
ollama list

# 重启 Ollama
pkill ollama && ollama serve
```

### Q3: Qdrant 连接失败

**解决方法**：
```bash
# 服务器模式：检查 Docker 是否运行
docker ps | grep qdrant

# 启动 Qdrant 服务器
docker run -d -p 6333:6333 -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant

# 本地模式：检查数据目录
ls qdrant_data/

# 清理损坏数据（需删除后重新构建）
rm -rf qdrant_data/
python3 build_index_qdrant.py --auto
```

### Q4: 云端 API 调用失败

**解决方法**：
```bash
# 检查 API Key 是否正确
export DEEPSEEK_API_KEY="你的密钥"

# 测试连接
curl https://api.deepseek.com/v1/models \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY"
```

### Q5: EPUB 解析失败

**解决方法**：
```bash
# 安装依赖
pip3 install ebooklib beautifulsoup4

# 或转换为 TXT 格式
ebook-convert book.epub book.txt
```

### Q6: 内存不足

**解决方法**：
- 减小 `CHUNK_SIZE`（如改为 300）
- 减小 `BATCH_SIZE`（如改为 200）
- 减少 `TOP_K`（如改为 2）
- 分批处理文档

### Q7: 知识库更新后如何生效

**解决方法**：
```bash
# 使用 run.sh 一键更新
./run.sh


# 或手动更新（自动检测新文档）
python3 build_index_qdrant.py

# 或强制重建（文档内容已修改）
python3 build_index_qdrant.py --update
```

### Q8: 构建中断了怎么办

**解决方法**：
```bash
# 重新运行即可（自动增量续传）
python3 build_index_qdrant.py --auto
```

### Q9: 如何查看构建统计

**解决方法**：
```bash
# 查看构建报告
cat build_report.json

# 查看构建日志
tail -f build_index.log
```

### Q10: 如何加速索引构建

**解决方法**：
```python
# 增大批处理大小
BATCH_SIZE = 1000  # 默认500

# 减少分块重叠
CHUNK_OVERLAP = 20  # 默认50

# 使用更轻量的嵌入模型
# 在 Ollama 中下载 smaller-embedding 模型
```

## 📝 更新日志

### v2.2.0（当前版本）

- ✅ Qdrant 成为默认向量数据库（支持 local/SQLite + server/Docker 双模式）
- ✅ Chroma 和 Milvus 的实验性实现移至 `dev/` 目录
- ✅ 启动输出精简为一行关键信息
- ✅ 新增 `ROADMAP.md` 代码阅读路线图
- ✅ issues.md 记录 `__pycache__` 陷阱和 gRPC 兼容性修复

### v2.1.0

- ✅ 同时支持 Chroma 和 Qdrant 两种向量数据库

### v2.0.0

- ✅ 切换到 Qdrant 向量数据库（支持 local/server 双模式）
- ✅ 新增 `QDRANT_MODE` 一键切换 local/server 模式
- ✅ 新增 `--auto` / `--skip-if-exists` 脚本参数
- ✅ run.sh 自动跳过已构建的知识库
- ✅ 修复 QdrantVectorStore payload 字段映射问题（来源显示正常）
- ✅ 新增 `issues.md` 踩坑记录
- ✅ 更新 `design.md` 设计文档同步代码

### v1.3.0

- ✅ 切换到 ChromaDB 向量数据库（更稳定、易用）
- ✅ 新增增量更新模式（只添加新文档）
- ✅ 新增断点续传功能（中断后继续）
- ✅ 添加进度条显示（tqdm）
- ✅ 添加错误重试机制（tenacity）
- ✅ 新增日志系统（文件+控制台）
- ✅ 新增构建统计报告
- ✅ 新增文档去重功能
- ✅ 支持更多文档格式（DOCX、PPTX、CSV）
- ✅ 优化内存使用（分批处理）
- ✅ 添加三种运行模式选择

### v1.2.0
- 新增 EPUB 电子书格式支持
- 新增 HTML 网页格式支持
- 新增一键运行脚本 `run.sh`
- 新增知识库更新脚本 `update-db.sh`
- 优化依赖检查和安装流程

### v1.1.0
- 新增云端 DeepSeek API 支持
- 一键切换本地/云端模型
- 支持 PDF 和 Word 文档

### v1.0.0
- 支持本地 DeepSeek 模型
- 支持 TXT 和 Markdown 格式
- 向量检索和问答功能

## 🔮 未来规划

- [ ] Web UI 界面（Gradio/Streamlit）
- [ ] 多轮对话历史记忆
- [ ] 文档自动分类和标签
- [ ] 答案置信度评分
- [ ] 批量导入导出功能
- [ ] 多知识库隔离管理

## 📄 许可证

MIT License

---