docs: 补充拍照提问二次架构（接入检索）的实现与验证记录

新增 §12：真机两次完整拍照问答的实测数据（图像理解稳定 4.0-5.3s，
落在设计目标内；固定提示词把输出压到 45 tokens 上下，对比旧方案
454 tokens/31s 差一个数量级）。

记录两个验证中确认的正确行为：拍无关照片+明确文字问题时，答案准确
命中知识库文档且带引用、没被图像描述带偏——反证了"检索用组合文本、
生成用用户原始问题"这个决策是对的；拍完全无关的照片时回答"我不知道"
是遵守 systemPrompt 的正确行为而非 bug。

记录发现并修复的 deviceId 跨会话失效 bug，以及一个顺带确认的事实：
视觉模型会把画面"倒置"当成图像特征来描述，说明之前那个旋转修复直接
影响识别质量，不只是预览观感问题。

同时更新文档头部状态，明确 §1-§10 是已被推翻的第一版设计（历史记录），
§11 才是当前实现。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01QeoAy5KmkHuKWHAktpEsaN

docs/feature-pic-design.md

@@ -1,7 +1,8 @@
 # 拍照提问模式 —— 设计方案
 
-状态：**MVP 已实现并通过真机端到端验证**（2026-09-03）。类型检查、构建、真实摄像头拍照到
-真实视觉模型作答的完整链路已跑通，细节见 §10。
+状态：**已实现并通过真机端到端验证**（2026-09-03）。当前生效的是 §11 的二次架构
+（拍照 → 图像理解转述 → 接入本地知识库检索 → 生成），验证记录见 §12。
+§1–§10 保留第一版"纯视觉直接问答"的设计与验证过程作为历史记录，**已被 §11 推翻，不再是当前实现**。
 
 ## 1. 背景与目标
 
@@ -269,10 +270,11 @@ vision: {
 **这次验证没有覆盖到的**：正式打包（deb）流程、设置页手动切换开关的 UI 操作（是直接改
 `config.json` 打开的 `vision.enabled`，没有走设置页表单）、长时间使用的稳定性。
 
-## 11. 架构调整：接入本地知识库检索（2026-09-03 二次设计，未实现）
+## 11. 架构调整：接入本地知识库检索（2026-09-03 二次设计）
 
-**状态：设计已定稿，代码尚未开始改。** 本节内容推翻 §3 "不做检索" 的原始决定，是当前的
-权威设计，实现时以本节为准，§3/§5.2/§5.3/§6 保留作为"第一版为什么这么想"的历史记录。
+**状态：已实现并通过真机端到端验证**（commit `687e0ca`，验证记录见 §12）。本节内容推翻
+§3 "不做检索" 的原始决定，是当前的权威设计，§3/§5.2/§5.3/§6 保留作为"第一版为什么这么想"
+的历史记录。
 
 ### 11.1 为什么要改
 
@@ -339,3 +341,64 @@ vision: {
   （拍照、缩略图、发送按钮）不用动
 - 是否需要给"识别图片"这一步单独设一个超时/失败兜底（比如识别失败了要不要还能继续走检索，
   还是直接报错终止）——待实现时决定，本节暂不展开
+
+## 12. 二次架构（接入检索）的实现与验证记录（2026-09-03）
+
+代码：commit `687e0ca`。实现完全按 §11 的设计，没有中途改方向。
+
+### 12.1 真机验证结果
+
+验证环境：pad（当时地址 `192.168.1.37`，注意这台设备 IP 会变，`192.168.31.48` 那个地址
+当时能 ping 通但 SSH 被拒，实际是别的设备占用），`npx electron-vite preview` 跑编译产物，
+`xdotool` 模拟点击 + `ffmpeg -f x11grab` 截图取证。
+
+类型检查 `npx vue-tsc --noEmit` 零错误，`npx electron-vite build` 构建成功。
+
+两次真实拍照问答的完整链路数据：
+
+| 场景 | 图像理解 | 检索 | 生成 | 结果 |
+|---|---|---|---|---|
+| 未输入文字（拍室内台灯托盘） | 4.0s | 召回 20 片段 | 0.1s / 3 tokens | 正确回答"我不知道" |
+| 输入"如何更换汽车前大灯。" | 5.3s | 召回 20 片段 | 17.5s / 233 tokens | 正确答出换灯步骤，带引用 [18] |
+
+**图像理解稳定在 4.0–5.3 秒**，落在 §11 定的 5–10 秒目标内。固定提示词里"一句话""不展开"
+的约束确实生效：输出 45 tokens 上下，对比旧方案（让视觉模型直接完整作答）的 454 tokens / 31 秒，
+差了一个数量级。
+
+### 12.2 验证中确认为正确的两个行为
+
+**其一，第二个场景恰好验证了 §11.3 那个关键决策是对的**：拍的是保温杯/厨房桌面，跟"更换前大灯"
+毫无关系，但因为检索用的是 `caption + 用户问题` 拼接（扩大召回），生成用的是**用户原始问题**
+（保持聚焦），最终答案准确命中前大灯文档并带正确引用，完全没被"保温杯、厨房环境"这些无关的
+图像描述带偏。如果当初决定生成也用组合文本，这个场景大概率会跑偏。
+
+**其二，第一个场景回答"我不知道"是正确行为不是 bug**：图片内容跟知识库（汽车维修手册）无关，
+检索虽然照常返回 topK=20 个片段（暴力余弦排序总会返回够数），但内容都不相关，模型遵守
+systemPrompt 里"上下文找不到就回答我不知道"的规则。这跟文字问答问无关问题时的行为一致。
+
+### 12.3 验证中发现并修复的真 bug：摄像头 deviceId 跨会话失效
+
+首次点开拍照弹层直接报 **`OverconstrainedError`**、预览全黑，整个功能不可用。
+
+根因：`CameraCapture.vue` 把上次选用的 `deviceId` 持久化到 config.json，下次启动时拿它做
+`getUserMedia({ video: { deviceId: { exact: ... } } })` 的约束。但 **deviceId 在 Web 标准里
+不保证跨会话稳定**，换一次会话后旧 id 往往已经不存在，`exact` 约束匹配不上就直接抛错。
+
+修复：抽出 `openStream()`，指定 id 打不开时自动回退到 `{ video: true }` 默认摄像头，并把
+实际拿到的设备 id（`getVideoTracks()[0].getSettings().deviceId`）回写到 `selectedDeviceId`，
+让"自动切到后置摄像头"的逻辑在回退场景下同样能继续工作（原来的写法只在 `initialDeviceId`
+为空时才找后置摄像头，回退场景会被漏掉）。
+
+### 12.4 顺带确认的一件事：画面方向会影响识别质量
+
+用 `ffmpeg` 直接从 `/dev/video2` 抓的**原始帧**（不经过前端旋转）送去识别，模型的描述里明确
+写了"图片显示一个**倒置的**室内场景"。这说明摄像头原始画面确实是倒的，而且**视觉模型会把
+"倒置"当成图像的一个特征去描述**——即 commit `0d19be5` 那个旋转修复不只是预览好看的问题，
+它直接影响识别质量。经过前端旋转后拍的照片（见 §12.1 两次实测），描述里再没出现"倒置"字样。
+
+### 12.5 这次没有覆盖到的
+
+- 正式 deb 打包（走的是 `electron-vite preview` 跑编译产物）
+- "识别图片"这一步失败时的兜底行为（§11.4 最后一条列为待定，实现时也没专门处理，
+  目前是整个 vision-query 抛错走 `vision-query:error`，前端弹错误提示）
+- 长时间连续使用的稳定性