docs: 拍照提问架构调整为接入本地知识库检索（二次设计，未实现）

推翻 §3 "不做检索" 的原始决定。新流程：拍照后先用固定默认提示词
调一次视觉模型拿简短图像描述（目标5-10s，中间结果"识别到：xxx"
展示给用户），描述+用户问题拼接去检索本地知识库，再用用户原始问题
（不是拼接文本）+ 检索到的上下文做纯文字生成——图片到检索这步之后
就不再传给模型。三段式加载态复用现有 query:stage 推送机制的样式。

只是设计文档更新，代码未改动，等用户确认后再实现。

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>

docs/feature-pic-design.md

@@ -268,3 +268,74 @@ 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）
+
+**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。
+
+### 11.1 为什么要改
+
+第一版 MVP 是"拍照直接问视觉模型"，图片内容和本地知识库（维修手册文档）完全没有关联。
+但这个应用的核心价值是本地知识库问答，拍照应该是**新增一种提问入口**，而不是一条完全独立
+于知识库之外的旁路。新方案让拍照提问最终也能从知识库里查到相关手册内容来回答。
+
+### 11.2 新流程
+
+```
+用户拍照 + 可选输入问题
+       │
+[主进程] 调视觉模型一次，用固定默认提示词（不是用户问题）："请用一句话简要描述这张图片
+  中的部件、故障现象或异常情况，不要展开解释、不要客套。"
+  → push 'vision-query:stage' {stage:'正在识别图片...'}
+  → 得到一段简短描述 caption（目标 5-10 秒内，靠提示词要求"一句话"+"不展开"来压时长，
+    而不是硬截断 max_tokens——见 §11.3）
+  → push 'vision-query:caption' {caption}   ← 渲染层立刻展示"识别到：{caption}"，简洁一行
+       │
+组装检索查询 retrievalQuery：
+  - 用户打字了问题 → `${caption}\n${question}`（图像描述 + 用户问题拼接，扩大召回面）
+  - 用户没打字      → caption 本身
+       │
+[主进程] 复用现有 embedOne(retrievalQuery) → search(dbPath, vector, topK)
+  → push 'vision-query:stage' {stage:'正在检索...'}
+  → push 'vision-query:context' {chunks}
+       │
+生成用的问题 genQuestion：
+  - 用户打字了问题 → 用户原始问题（不用 retrievalQuery，避免 caption 把回答带偏，
+    检索阶段负责扩大召回，生成阶段保持聚焦用户真实意图）
+  - 用户没打字      → caption 本身（这种情况下 caption 就是唯一的"意图"来源，没有更聚焦的选项）
+       │
+[主进程] 复用现有 streamGenerate(genQuestion, chunks, systemPrompt, callbacks)——
+  **纯文字生成，图片到这一步已经不再传给模型**（第③步转成文字后，图片就完成使命了）
+  → push 'vision-query:stage' {stage:'正在生成...'}
+  → push 'vision-query:delta' 流式吐字，跟文字问答体验一致
+  → push 'vision-query:done'
+```
+
+### 11.3 关键决策记录
+
+| 决策点 | 结论 | 理由 |
+|---|---|---|
+| 图像理解默认提示词 | "请用一句话简要描述这张图片中的部件、故障现象或异常情况，不要展开解释、不要客套。" | 单句、明确要求"不展开"，从提示词层面主动压生成长度，比硬 `max_tokens` 截断更不容易截出语义不完整的半句话 |
+| 图像理解耗时目标 | 5-10 秒 | 用户明确的目标区间；实测极简回答（"黑色"两个字）2.6s，§2.2 记录的极简测试图基准可作为下限参考 |
+| 最终生成是否带图 | 不带，纯文字生成 | 图片信息已经浓缩进 caption，复用现有纯文字 `streamGenerate`，不需要每次生成都重新过一遍视觉编码的固定开销（见 §2.2，~800 token/次），更快 |
+| 检索查询 vs 生成问题是否用同一段文字 | 不同：检索用 `caption+question` 拼接（更大召回面），生成用用户原始 `question`（无问题时退化为 caption） | 检索要"宁可多召回"，生成要"保持聚焦"，两个阶段的目标不一样，没必要共用一份文本 |
+| 中间结果是否展示给用户 | 展示，"识别到：xxx"，一行、简洁 | 5-10 秒的图像理解本身就是一段等待，把中间结果先亮出来能实质性缓解等待焦虑，而不是纯转圈 |
+| 加载态设计 | 三段式：正在识别图片... → 正在检索... → 正在生成...，复用现有 `query:stage` 这套推送机制的样式 | 用户已经熟悉这套"正在xxx..."的提示语汇，不需要发明新的交互语言 |
+
+### 11.4 技术实现要点（待写代码时展开，这里先定方向）
+
+- `vision-query` 这个 IPC handler 内部变成"两段式"：先调一次视觉模型拿 caption，再原样调用
+  现有 `embedOne`/`search`/`streamGenerate`（`queryHandler.ts` 已有的三步，直接复用，不用照抄一遍）
+- `generator.ts` 的 `streamGenerateVision()`（第一版为了直接视觉问答新增的函数）现在只在
+  "第③步图像理解"这一次性调用里用得上；原来那种"图+文一起发给视觉模型直接生成完整答案"的
+  用法不再需要，`ContentPart`/`image_url` 那套改造保留（第③步仍然要用），但调用方式变成
+  "只问一句话、只要一个简短 caption"，跟原来"生成完整长回答"的调用方式不一样，需要单独判断
+  是否要一个新的轻量函数（比如 `describeImage()`）而不是复用 `streamGenerateVision` 的完整流式
+  长回答路径
+- 新增 `vision-query:caption` 这个推送事件（原来只有 delta/done/error），渲染层要新增监听
+  和展示逻辑
+- `ChatPanel.vue` 的 `sendVisionQuery()` 需要重写内部流程以匹配上面的多阶段推送，但外层交互
+  （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