企业官网建设流程全解析

1. 项目概述：当教材检索遇上AI生成

最近在做一个挺有意思的练手项目，我把它叫做“章鱼哥解题”。核心想法很简单：很多同学在复习或者做作业时，面对一本厚厚的教材，想快速找到某个知识点的详细解释或者相关例题，往往得翻半天目录，效率很低。如果能有一个工具，你输入一个问题，它不仅能从指定的教材PDF里精准定位到相关内容，还能让AI基于找到的原文，给你生成一个清晰、易懂的解答，那该多省事？这本质上是一个结合了文档检索与智能生成的复合型应用。

这个“03”版本，是我在之前搭建的基础全栈框架（Vibe Coding）上的一次深度功能迭代。Vibe Coding是我自己摸索的一套快速原型开发流程，强调在明确的“氛围”或“场景”驱动下，组合成熟工具链，高效实现核心价值。这次，场景就是“从海量教材中智能答疑”。整个过程涉及几个关键环节：首先，用户上传PDF教材；然后，系统对教材进行预处理，将其内容转化为可被高效检索的格式；接着，用户提出自然语言问题；系统从处理后的内容中检索出最相关的片段；最后，引导大语言模型（LLM）基于这些检索到的“证据”生成回答，确保答案不胡编乱造，有据可依。

这不仅仅是调用个API那么简单。你需要考虑文档解析的准确性、文本切分的合理性、向量检索的精度、Prompt工程的技巧，以及如何将这些环节无缝串联成一个稳定、可用的Web服务。下面，我就把自己在实现“从教材检索到AI回答生成”这个完整链条中，趟过的路、踩过的坑以及最终沉淀下来的方案，详细拆解一遍。

2. 核心架构与工具选型思路

做一个能用的原型和做一个健壮、可扩展的项目，在起步时的选型就决定了未来的路是否好走。我的核心思路是：前端轻量化、后端服务化、AI能力管道化。

2.1 技术栈全景图

我的选择基于以下几个原则：1) 个人或小团队能快速上手；2) 社区生态活跃，遇到问题容易找到解决方案；3) 各组件间耦合度低，便于替换和升级。

• 前端 (Vibe: 轻快交互)：我选择了Next.js (App Router)+Tailwind CSS。Next.js提供了全栈能力，但这里我主要用其强大的React服务端组件和简单的API路由功能，实现前后端同仓，减少初期部署复杂度。Tailwind则让我能以惊人的速度搭建出美观且响应式的界面，完全符合“Vibe Coding”中快速呈现想法的理念。界面核心就是一个文件上传区、一个问题输入框和一个答案展示区，干净利落。
• 后端 (核心逻辑枢纽)：虽然Next.js可以写API，但文档处理、AI调用等重逻辑我放在了独立的Python FastAPI服务中。Python在AI和数据处理领域的库生态是无可替代的。FastAPI异步特性好，自动生成API文档，与Next.js的fetch调用配合起来非常顺畅。前后端通过RESTful API通信。
• 文档处理与检索 (项目的基石)：
  • 解析与切分：PyPDF2或pdfplumber用于提取PDF文本。但纯文本提取后，直接丢进向量数据库效果很差，因为教材可能一页就是一个章节，内容太长。这里的关键是智能切分。我使用了langchain的RecursiveCharacterTextSplitter，并精心调整了chunk_size(如500-1000字符) 和chunk_overlap(如150字符)，确保语义相对完整的段落（如一个定义、一个例题及其解析）尽量被保留在同一个“块”中，同时重叠部分保证了检索时不会因为切分而丢失上下文边界的信息。
  • 向量化与检索：检索的核心是将文本转换为向量（嵌入），并计算相似度。我选择了OpenAI的text-embedding-3-small模型来生成嵌入向量，它在效果和成本间取得了很好的平衡。向量数据库则使用了ChromaDB，因为它轻量、易嵌入、且和Langchain集成极好，可以持久化到本地磁盘，省去了维护一个独立向量数据库服务的麻烦。
• AI生成 (点睛之笔)：大语言模型自然选择了OpenAI GPT-4o。相较于GPT-3.5，它在遵循指令、基于上下文推理方面强得多，这对于基于检索片段生成准确答案至关重要。后续也可以无缝切换为Ollama本地部署的Llama 3等模型，架构上预留了接口。
• 部署与运维：前期开发直接在本地进行。部署考虑使用Vercel(Next.js前端) +Railway或Fly.io(Python后端) 的组合，两者都对开发者友好，有免费的额度可供原型展示。

注意：工具选型没有银弹。这里的选择反映了我对开发效率、项目复杂度和当前AI生态的权衡。例如，如果你对隐私要求极高，完全可以将OpenAI的嵌入和生成模型替换为本地部署的模型，只是需要在效果和资源消耗上做更多调优。

2.2 为什么是“检索增强生成”？

这里必须深入说一下核心逻辑——检索增强生成。直接让AI根据你的问题凭空生成一个关于教材内容的答案，它很可能会“幻觉”出一些看似合理但教材中根本不存在的说法，这对于学习工具来说是致命的。

RAG的流程完美解决了这个问题：

1. 检索：将用户的自然语言问题也转换为向量，然后在教材内容向量库中搜索最相似的几个文本块。
2. 增强：将这些检索到的、高相关度的原始教材文本块，作为“证据”或“上下文”，连同用户的问题一起，构造成一个详细的Prompt提交给LLM。
3. 生成：LLM被要求“严格基于提供的上下文”来回答问题。如果上下文里没有，它就老实回答“根据提供的材料，无法找到相关信息”。

这种方式极大地提高了答案的准确性和可信度，将AI从一个“编故事者”变成了一个“基于资料的解说员”。整个项目的架构，就是为高效、准确地实现这个RAG流程而设计的。

3. 分步实现与核心代码解析

理论说完了，我们来看具体怎么把它搭起来。我会按照数据流的顺序，从后端到前端，讲解关键步骤。

3.1 后端服务构建：FastAPI核心逻辑

首先，我们构建Python后端，它提供两个核心端点：/ingest（文档摄取）和/query（问答查询）。

项目结构如下：

backend/ ├── app/ │ ├── main.py # FastAPI应用入口 │ ├── core/ # 核心配置 │ ├── models/ # Pydantic数据模型 │ ├── services/ # 业务逻辑层 │ │ ├── document_processor.py │ │ └── query_engine.py │ └── vector_store/ # 向量数据库操作 │ └── chroma_manager.py ├── data/ # 存放上传的PDF和持久化ChromaDB └── requirements.txt

1. 文档处理服务 (document_processor.py)这是知识库的构建阶段。

# app/services/document_processor.py import os from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.document_loaders import PyPDFLoader from app.vector_store.chroma_manager import get_vector_store class DocumentProcessor: def __init__(self, persist_directory: str = "./data/chroma_db"): self.text_splitter = RecursiveCharacterTextSplitter( chunk_size=800, # 每个文本块的大小 chunk_overlap=150, # 块之间的重叠字符数 length_function=len, separators=["\n\n", "\n", "。", "；", "，", " ", ""] # 中文友好的分隔符 ) self.persist_dir = persist_directory def process_pdf(self, file_path: str) -> bool: """加载、切分PDF，并存入向量数据库""" try: # 1. 加载PDF loader = PyPDFLoader(file_path) documents = loader.load() # 为每个文档片段添加元数据，如来源页码 for doc in documents: doc.metadata["source"] = os.path.basename(file_path) # 2. 智能切分 print(f"开始切分文档，共{len(documents)}页...") splits = self.text_splitter.split_documents(documents) print(f"切分完成，得到{len(splits)}个文本块。") # 3. 获取向量库并添加文档 vectorstore = get_vector_store(self.persist_dir) # 注意：ChromaDB的`add_documents`会为每个文本块生成嵌入向量 vectorstore.add_documents(splits) print("文档已成功添加到向量数据库。") return True except Exception as e: print(f"处理PDF时发生错误: {e}") return False

关键点解析：

• chunk_size和chunk_overlap是灵魂参数。800-1000的size对于教材段落比较合适，overlap保证了概念不会在切分点被割裂。
• 使用PyPDFLoader可以较好地保留页码信息，这对于后续回答中标注“出处”非常有用。
• add_documents方法会同步调用嵌入模型（需要在ChromaManager中配置）为每个文本块生成向量，这是一个相对耗时的操作。

2. 向量数据库管理 (chroma_manager.py)这里封装了ChromaDB的初始化和嵌入模型配置。

# app/vector_store/chroma_manager.py import chromadb from chromadb.config import Settings from langchain_chroma import Chroma from langchain_openai import OpenAIEmbeddings import os # 配置OpenAI嵌入模型 embeddings = OpenAIEmbeddings( model="text-embedding-3-small", openai_api_key=os.getenv("OPENAI_API_KEY") ) def get_vector_store(persist_directory: str = "./data/chroma_db"): """获取或创建持久化的向量存储""" # 确保目录存在 os.makedirs(persist_directory, exist_ok=True) # 初始化ChromaDB客户端 chroma_client = chromadb.PersistentClient( path=persist_directory, settings=Settings(anonymized_telemetry=False) ) # 创建LangChain的Chroma包装器 vectorstore = Chroma( client=chroma_client, collection_name="textbook_knowledge", embedding_function=embeddings, persist_directory=persist_directory ) return vectorstore

3. 问答引擎服务 (query_engine.py)这是处理用户查询的核心。

# app/services/query_engine.py from langchain.chains import create_retrieval_chain from langchain.chains.combine_documents import create_stuff_documents_chain from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from app.vector_store.chroma_manager import get_vector_store class QueryEngine: def __init__(self): self.llm = ChatOpenAI( model="gpt-4o", temperature=0.1, # 温度设低，让输出更确定、更基于事实 openai_api_key=os.getenv("OPENAI_API_KEY") ) self.vectorstore = get_vector_store() self.retriever = self.vectorstore.as_retriever( search_type="similarity", search_kwargs={"k": 4} # 检索最相关的4个文本块 ) self._setup_chain() def _setup_chain(self): """构建RAG链""" # 系统Prompt，严格约束AI的行为 system_prompt = ( "你是一个专业的教学助手，专门根据用户提供的教材上下文片段来回答问题。\n" "请严格遵守以下规则：\n" "1. 你的回答必须严格且仅基于提供的<context>中的内容。\n" "2. 如果<context>中的信息足以回答问题，请组织语言，清晰、准确地给出答案，并可以适当总结。\n" "3. 如果<context>中的信息不足以完全回答问题，请基于已有信息部分回答，并明确指出哪些部分无法从提供的材料中找到。\n" "4. 绝对不要编造<context>中不存在的信息、数据或例子。\n" "5. 在回答时，可以引用上下文的要点，但不要直接说‘根据上下文’。\n" "6. 如果问题与<context>完全无关，请直接告知用户无法从当前教材中找到相关信息。\n" "上下文：\n{context}" ) prompt = ChatPromptTemplate.from_messages([ ("system", system_prompt), ("human", "{input}"), ]) # 创建文档组合链和检索链 combine_docs_chain = create_stuff_documents_chain(self.llm, prompt) self.rag_chain = create_retrieval_chain(self.retriever, combine_docs_chain) def query(self, question: str) -> dict: """执行查询""" try: result = self.rag_chain.invoke({"input": question}) # result 包含 'answer', 'context', 'input' 等键 return { "answer": result.get("answer", "未能生成答案。"), "source_documents": result.get("context", []), # 检索到的源文档片段 "question": question } except Exception as e: return {"error": str(e), "answer": "查询过程中发生错误。"}

关键点解析：

• temperature=0.1：对于事实性问答，低温度值使输出更稳定、更少“创造性”，更符合教材内容。
• search_kwargs={“k”: 4}：检索4个片段通常能在召回率和上下文长度之间取得平衡。太多会导致Prompt过长、成本增加且可能引入噪声。
• 系统Prompt是质量的守门员：我花了大量时间迭代这个Prompt。它的核心是给AI戴上“紧箍咒”，反复强调“基于上下文”、“不要编造”。明确的规则能极大减少幻觉。

4. FastAPI主应用 (main.py)将服务包装成API。

# app/main.py from fastapi import FastAPI, File, UploadFile, HTTPException from fastapi.middleware.cors import CORSMiddleware import shutil import os from app.services.document_processor import DocumentProcessor from app.services.query_engine import QueryEngine from app.models.schemas import QueryRequest, QueryResponse app = FastAPI(title="Textbook QA API") # 配置CORS，允许前端访问 app.add_middleware( CORSMiddleware, allow_origins=["http://localhost:3000"], # Next.js开发地址 allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) UPLOAD_DIR = "./data/uploads" os.makedirs(UPLOAD_DIR, exist_ok=True) processor = DocumentProcessor() query_engine = QueryEngine() @app.post("/ingest") async def ingest_document(file: UploadFile = File(...)): if not file.filename.endswith('.pdf'): raise HTTPException(400, detail="仅支持PDF文件") file_path = os.path.join(UPLOAD_DIR, file.filename) with open(file_path, "wb") as buffer: shutil.copyfileobj(file.file, buffer) success = processor.process_pdf(file_path) if success: return {"message": f"文档 '{file.filename}' 已成功处理并入库。"} else: raise HTTPException(500, detail="文档处理失败") @app.post("/query", response_model=QueryResponse) async def query_knowledge_base(request: QueryRequest): result = query_engine.query(request.question) if "error" in result: raise HTTPException(500, detail=result["error"]) return QueryResponse(**result)

3.2 前端界面构建：Next.js实现交互

前端的目标是简洁直观。我们主要构建两个页面：一个上传页，一个问答页。

1. 文件上传页面 (app/upload/page.tsx)

// app/upload/page.tsx 'use client'; import { useState } from 'react'; import { useRouter } from 'next/navigation'; export default function UploadPage() { const [file, setFile] = useState<File | null>(null); const [uploading, setUploading] = useState(false); const [message, setMessage] = useState(''); const router = useRouter(); const handleSubmit = async (e: React.FormEvent) => { e.preventDefault(); if (!file) { setMessage('请先选择文件'); return; } const formData = new FormData(); formData.append('file', file); setUploading(true); setMessage(''); try { const res = await fetch('http://localhost:8000/ingest', { // 你的后端地址 method: 'POST', body: formData, }); const data = await res.json(); if (res.ok) { setMessage(`上传成功！${data.message}`); // 处理成功后跳转到问答页 setTimeout(() => router.push('/ask'), 1500); } else { setMessage(`上传失败: ${data.detail || '未知错误'}`); } } catch (error) { setMessage('网络请求失败'); } finally { setUploading(false); } }; return ( <div className="min-h-screen flex items-center justify-center bg-gray-50"> <div className="max-w-md w-full space-y-8 p-10 bg-white rounded-xl shadow-lg"> <h2 className="text-3xl font-bold text-center">上传教材PDF</h2> <form onSubmit={handleSubmit} className="space-y-6"> <div> <label className="block text-sm font-medium text-gray-700"> 选择文件 </label> <input type="file" accept=".pdf" onChange={(e) => setFile(e.target.files?.[0] || null)} className="mt-2 block w-full text-sm text-gray-500 file:mr-4 file:py-2 file:px-4 file:rounded-full file:border-0 file:text-sm file:font-semibold file:bg-blue-50 file:text-blue-700 hover:file:bg-blue-100" disabled={uploading} /> </div> <button type="submit" disabled={uploading || !file} className="w-full flex justify-center py-3 px-4 border border-transparent rounded-md shadow-sm text-sm font-medium text-white bg-blue-600 hover:bg-blue-700 focus:outline-none focus:ring-2 focus:ring-offset-2 focus:ring-blue-500 disabled:opacity-50 disabled:cursor-not-allowed" > {uploading ? '处理中...' : '上传并处理'} </button> </form> {message && ( <p className={`text-center mt-4 text-sm ${message.includes('成功') ? 'text-green-600' : 'text-red-600'}`}> {message} </p> )} </div> </div> ); }

2. 智能问答页面 (app/ask/page.tsx)这是核心交互页面。

// app/ask/page.tsx 'use client'; import { useState } from 'react'; interface QueryResponse { answer: string; source_documents?: Array<{ page_content: string; metadata: any }>; question: string; } export default function AskPage() { const [question, setQuestion] = useState(''); const [answer, setAnswer] = useState(''); const [loading, setLoading] = useState(false); const [sources, setSources] = useState<any[]>([]); const handleAsk = async () => { if (!question.trim()) return; setLoading(true); setAnswer(''); setSources([]); try { const res = await fetch('http://localhost:8000/query', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ question }), }); const data: QueryResponse = await res.json(); if (res.ok) { setAnswer(data.answer); setSources(data.source_documents || []); } else { setAnswer(`请求失败: ${data.detail || '未知错误'}`); } } catch (error) { setAnswer('网络错误，请检查后端服务。'); } finally { setLoading(false); } }; return ( <div className="min-h-screen bg-gray-50 p-6 md:p-10"> <div className="max-w-4xl mx-auto"> <h1 className="text-4xl font-bold text-gray-800 mb-2">章鱼哥解题助手</h1> <p className="text-gray-600 mb-8">基于已上传教材的智能问答</p> {/* 问题输入区 */} <div className="bg-white rounded-xl shadow p-6 mb-8"> <div className="flex space-x-4"> <input type="text" value={question} onChange={(e) => setQuestion(e.target.value)} onKeyDown={(e) => e.key === 'Enter' && !loading && handleAsk()} placeholder="输入关于教材的问题，例如：'请解释牛顿第二定律'" className="flex-grow px-4 py-3 border border-gray-300 rounded-lg focus:ring-2 focus:ring-blue-500 focus:border-transparent outline-none" disabled={loading} /> <button onClick={handleAsk} disabled={loading || !question.trim()} className="px-8 py-3 bg-gradient-to-r from-blue-600 to-indigo-700 text-white font-semibold rounded-lg hover:opacity-90 transition disabled:opacity-50 disabled:cursor-not-allowed" > {loading ? '思考中...' : '提问'} </button> </div> <p className="text-sm text-gray-500 mt-3"> 提示：问题越具体，答案越精准。可以尝试问定义、例题、步骤等。 </p> </div> {/* 答案展示区 */} {answer && ( <div className="bg-white rounded-xl shadow p-6 mb-8"> <h2 className="text-2xl font-semibold text-gray-800 mb-4">答案</h2> <div className="prose max-w-none"> <div className="p-4 bg-blue-50 rounded-lg border border-blue-200"> {answer.split('\n').map((line, idx) => ( <p key={idx} className="mb-2 last:mb-0">{line}</p> ))} </div> </div> </div> )} {/* 参考来源区 */} {sources.length > 0 && ( <div className="bg-white rounded-xl shadow p-6"> <h3 className="text-xl font-semibold text-gray-800 mb-4">参考来源</h3> <div className="space-y-4"> {sources.slice(0, 3).map((doc, idx) => ( <div key={idx} className="p-4 border border-gray-200 rounded-lg hover:bg-gray-50"> <p className="text-sm text-gray-500 mb-1"> 片段 {idx + 1} {doc.metadata?.source && `| 来源: ${doc.metadata.source}`} {doc.metadata?.page && `| 页码: ${doc.metadata.page + 1}`} </p> <p className="text-gray-700 line-clamp-3">{doc.page_content}</p> </div> ))} </div> <p className="text-sm text-gray-500 mt-3">系统检索了{sources.length}个相关文本片段作为生成依据。</p> </div> )} </div> </div> ); }

4. 部署、调优与避坑指南

把代码跑起来只是第一步，要让这个“章鱼哥”真正聪明好用，还需要一系列的部署和调优工作。

4.1 本地运行与云端部署

本地运行：

1. 后端：在backend目录下，创建虚拟环境，安装依赖 (pip install -r requirements.txt)，设置OPENAI_API_KEY环境变量，然后运行uvicorn app.main:app --reload --port 8000。
2. 前端：在项目根目录，运行npm run dev。Next.js默认在3000端口。
3. 确保前端配置的API地址 (http://localhost:8000) 与后端一致。

云端部署（以Vercel + Railway为例）：

1. 前端部署 (Vercel)：将Next.js项目连接到Vercel，它会自动识别并部署。需要修改前端API请求地址，指向部署后的后端域名。
2. 后端部署 (Railway)：将Python后端项目推送到GitHub，然后在Railway中通过GitHub仓库新建服务。Railway会自动安装依赖。关键步骤是：
   • 在Railway的项目设置中，添加OPENAI_API_KEY环境变量。
   • ChromaDB的持久化目录 (./data/chroma_db) 在Railway这样的无状态环境中会丢失。解决方案：使用云存储（如AWS S3、Railway的Volume）来挂载持久化目录，或者使用支持云端的向量数据库（如Pinecone、Weaviate）。对于原型，可以每次启动时重新处理PDF，但这不适合生产。
   • 在Railway.json或 Dockerfile 中指定启动命令，如uvicorn app.main:app --host 0.0.0.0 --port $PORT。

实操心得：开发环境与生产环境的最大差异在于状态持久化。本地文件系统在服务器上是临时的。我的建议是，如果项目要长期运行，尽早考虑使用专业的云向量数据库服务，它们通常提供免费的入门额度，能省去很多运维麻烦。

4.2 性能与效果调优实战

这是决定项目成败的关键，我花了最多时间在这里。

1. 文本切分的艺术chunk_size是平衡检索精度和上下文长度的关键。经过多次测试：

• size=200：检索精度高，但片段太碎，可能丢失完整逻辑，且需要检索更多片段(k值需增大)才能拼出完整答案，增加Token消耗。
• size=1500：上下文完整，但可能包含多个不相关主题，导致检索出的片段相关性下降，噪声增多。
• 我的甜点区：对于结构清晰的教材，size=800, overlap=150效果不错。你可以编写一个测试脚本，用几个典型问题，尝试不同size，观察检索到的片段是否“恰好”包含答案所需信息。

2. 检索策略的微调

• search_kwargs={“k”: 4}：是个不错的起点。如果发现答案总是不完整，可以尝试增加到5或6。但注意，这会增加后续Prompt的Token数，提高成本和延迟。
• search_type：除了“similarity”(相似度)，还可以试试“mmr”(最大边际相关性)，它会在相似度的基础上，增加结果之间的多样性，避免返回过于重复的内容。

  self.retriever = self.vectorstore.as_retriever( search_type="mmr", # 使用MMR算法 search_kwargs={"k": 6, "fetch_k”: 20, “lambda_mult”: 0.7} # fetch_k是初步筛选数，lambda_mult控制多样性权重 )

3. Prompt工程的迭代最初的Prompt可能很简单：“请根据以下上下文回答问题：{context} \n 问题：{question}”。但这远远不够。

• 加入角色设定：“你是一个专业的教学助手...” 这能引导AI采用更严谨、耐心的语气。
• 明确规则：用数字列表清晰列出“必须”、“不要”等指令，LLM对结构化指令响应更好。
• 指定输出格式：如果需要，可以要求“先给出结论，再分点解释”或“如果涉及计算，请列出步骤”。
• 我的终极Prompt模板：

  你是一个严谨的教材内容解答AI。请基于以下由三重反引号包裹的上下文内容，回答用户问题。

  {context} ``` 请遵守： 1. 答案必须完全源自上述上下文。 2. 如果上下文包含答案，请进行清晰、有条理的阐述。 3. 如果上下文不包含答案所需全部信息，请基于已有信息回答，并明确指出缺失部分。 4. 严禁杜撰任何上下文未提及的事实、数字或案例。 5. 如果问题与上下文无关，直接回复：“该问题超出当前教材范围。” 用户问题：{question} ``` 这个模板通过XML风格的标签和清晰的规则，显著提升了AI的“循证”能力。

4.3 常见问题与排查清单

在开发和测试中，你肯定会遇到下面这些问题。这是我的排查清单：

一个典型的调试流程：当答案不准时，我首先会打印出检索到的原始文本片段。看看AI看到的“上下文”到底是什么。很多时候，问题就出在这里——检索的根本不是相关的内容。这时就需要回溯到切分和检索策略进行调整。

5. 项目总结与未来扩展方向

走到这一步，一个功能完整的“教材智能问答助手”就算搭建完成了。从上传PDF到得到AI生成的精准答案，整个流程已经跑通。回顾这个过程，最大的收获不是代码本身，而是对RAG应用生命周期的理解：数据准备（解析、切分）的质量决定了效果的上限，而Prompt工程和检索策略的调优则决定了你能多接近这个上限。

这个项目作为一个全栈实战样板，还有很大的扩展空间：

• 多文档管理：当前版本只处理一个文档。可以扩展为支持多个教材上传，建立多个集合（Collection），允许用户选择特定教材进行问答。
• 对话历史与追问：将单次问答升级为多轮对话，让AI能记住之前的上下文，实现连续、深入的答疑。
• 混合检索：结合关键词检索（如BM25）和向量检索，提升召回率，尤其是在处理特定术语、代号时。
• 答案溯源高亮：在前端界面，将答案中的关键句子与检索到的源文档片段进行关联和高亮，让“有据可依”可视化，增强可信度。
• 替换本地模型：出于成本或隐私考虑，可以将OpenAI的嵌入和生成模型替换为本地部署的，例如使用Sentence Transformers生成向量，用Ollama运行Llama 3或Qwen来生成答案，实现完全离线的智能问答。

开发过程中，最深的体会是：不要试图在第一个版本就追求完美。先让核心流程（上传-处理-问答）以最简单的方式跑起来，然后再逐个环节进行优化。每一次参数调整、每一次Prompt迭代，都像在调试一个精密仪器，看到答案质量一点点提升，那种成就感才是驱动项目前进的最大动力。这个“章鱼哥解题03”项目，就为后续所有这些有趣的扩展，打下了一个坚实而灵活的基础。