fix: 修正合成超时分支遗漏杀死已 spawn 播放器导致的残留泄漏

真机用 kill -STOP 验证完 v9.0.2 的看门狗修复后，拿同样的批量测试场景复测，发现 aplay 残留还在发生：25 个存活进程，10 秒内还在 25→27 继续增长，且意外出现了第二个以 root 身份启动的 pulseaudio 实例（可能是前几轮调试过程中触发的系统自动拉起，已清理，和这次代码修复无直接关系）。排查后发现 v9.0.2 的修复漏了一条泄漏路径：speakWithVits 里"合成卡死"分支（60 秒没有新分段到达）只杀了 vitsWorker，从没杀过已经 spawn 出来、stdin 还开着干等数据的 currentPlayer——这个 aplay 会永远卡在等一个再也不会来的 EOF，跟 PLAYER_EXIT_TIMEOUT_MS 要解决的是同一类问题，只是触发路径不同，上一版没覆盖到。修复：不再满足于在每个 done() 调用点各自记得去杀 currentPlayer，而是在 cleanup() 这个所有路径共用的收尾出口统一兜底——无论从哪条分支走到这里，都先用 killWithEscalation() 尝试杀掉还活着的 currentProcess/currentPlayer，再清空引用。正常退出路径下进程已经退出，再次 kill() 是安全的 no-op，不影响现有行为。验证：清理现场后用同样的批量测试场景（12 道题连续生成+播报）跑 3 分钟、每 10 秒采样一次 aplay 存活数，全程稳定在 0~1，没有任何堆积趋势（对比修复前 10 秒内 25→27 的失控状态）。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_01QeoAy5KmkHuKWHAktpEsaN
docs: 记录音频通路卡死导致语音输入输出失效的根因与 SIGSTOP 复现手法
2026-10-06 11:15:45 +08:00 · 2026-10-06 10:35:03 +08:00 · 2026-10-06 10:34:21 +08:00 · 2026-10-05 17:40:53 +08:00 · 2026-10-05 17:40:16 +08:00 · 2026-10-05 17:24:10 +08:00
59 changed files with 1642 additions and 316129 deletions
--- a/CLAUDE.md
+++ b/CLAUDE.md
@ -8,6 +8,8 @@

 服务进程管理（llama-server / embed-server 的启动停止）**完全委托给 er_backend**（HTTP 17700），前端不直接 spawn 任何推理进程。设置页面不再提供计算卡型号、嵌入模型、生成模型路径等配置入口，这些均由 er_backend Web 管理界面（端口 17700）配置。

+输入方式有三种：打字、语音输入（ASR）、**拍照提问**（用摄像头拍一张照片，先由多模态模型转成一句话描述，再接入同一套知识库检索流程，见"拍照提问"章节）。
+
 本仓库从 monorepo（electronrag）通过 `scripts/sync-elec-rag-ui.sh` 单向同步而来，历史不保留。

 ## 技术栈
@ -18,7 +20,7 @@
 - **向量数据库**：LanceDB（`@lancedb/lancedb`，嵌入式）
 - **本地向量化**：`@huggingface/transformers`（底层 `onnxruntime-node`）
 - **Markdown 渲染**：`marked`
- **打包**：electron-builder（Linux AppImage + deb）
+- **打包**：electron-builder（Linux AppImage + deb）。**arm64 deb 在真机 Kylin 上走 electron-builder 自带的 fpm 路径必现 `tar failed (exit code 2)`**，实际可用的是 `scripts/package-kylin-arm64-deb.sh`（`npm run package:kylin:arm64:deb`），改用 `electron-builder --linux dir --arm64` 产出 unpacked 目录后手工 `dpkg-deb` 打包，已在真机验证

 ## 文件说明

@ -31,6 +33,7 @@ src/
 │       ├── index.ts          # 注册所有 IPC 处理器
 │       ├── indexHandler.ts   # 文件选择、文档入库（分块→向量化→写入LanceDB）
 │       ├── queryHandler.ts   # 查询（向量化→检索→流式生成），query:done 含 GeneratorStats
+│       ├── visionHandler.ts  # 拍照提问（图像理解→拼检索查询→复用检索+生成）
 │       ├── statusHandler.ts  # 数据库状态、配置读写、测试连接（无 Ollama 分支）
 │       ├── erBackendHandler.ts # er_backend HTTP 17700 代理 IPC（启动/停止/状态）
 │       ├── hardwareHandler.ts  # 硬件探测：hardware:get-detected / hardware:detected
@ -39,7 +42,7 @@ src/
 │       ├── splitter.ts       # 递归收集 .md/.txt，自实现递归字符分块
 │       ├── embedder.ts       # 向量化路由：local / llamacpp（无 Ollama 分支）
 │       ├── localEmbedder.ts  # 本地 CPU 向量化（Transformers.js 单例，懒加载）
-│       ├── generator.ts      # 流式生成：仅 llamacpp（接受 llamacppServer 配置）
+│       ├── generator.ts      # 流式生成 + describeImage 图像理解，统一走 er_backend 代理
 │       ├── hardwareDetector.ts # 探测 hm_smi / rpp-info 判断 er160/er25/none
 │       └── ollamaModels.ts   # （保留文件，此项目不使用 Ollama）
 ├── preload/index.ts          # contextBridge 暴露 electronAPI（无 llamaServer IPC）
@ -48,11 +51,13 @@ src/
    ├── App.vue               # 根布局：顶栏、主区；服务状态由 SSE 维护
    ├── components/
    │   ├── IndexPanel.vue    # 文档入库面板
-    │   ├── ChatPanel.vue     # 问答气泡、Think 块、引用徽章、批量发送
+    │   ├── ChatPanel.vue     # 问答气泡、Think 块、引用徽章、批量发送、拍照入口
+    │   ├── CameraCapture.vue # 拍照弹层：取景/拍照/重拍/切换摄像头（纯交互，不含业务逻辑）
    │   ├── ContextDrawer.vue # 检索片段抽屉
-    │   ├── SettingsModal.vue # 设置抽屉（仅 RAG 参数 + 语音 + 批量测试）
+    │   ├── SettingsModal.vue # 设置抽屉（RAG 参数 + 语音 + 拍照开关 + 批量测试）
    │   └── ServiceControl.vue # 顶栏"启用/停止"按钮（走 er_backend HTTP）
-    ├── stores/rag.ts         # Pinia store
+    ├── utils/tts.ts          # TTS 播放器：流式分句播报、自适应语速、原生/Web 双后端
+    ├── stores/rag.ts         # Pinia store（含 visionAvailable：后端是否支持图像输入）
    └── types/index.ts        # TS 接口 + Window.electronAPI 类型声明
 ```

@ -77,28 +82,37 @@ interface AppConfig {
  hardware: { cardType: 'er160' | 'er25' }
  batchQuestions: string[]
  batchWaitSeconds: number
-  voice: { enabled: boolean; ttsRate: number; inputGain: number; [key: string]: unknown }
+  voice: {
+    asr: {
+      enabled: boolean; executablePath: string; modelDir: string; numThreads: number
+      vadSilenceTimeoutMs: number; vadEnergyThreshold: number; inputGain: number
+      punctuationModelDir: string
+    }
+    tts: { enabled: boolean; voiceURI: string; pitch: number; rate: number; volume: number }
+  }
+  vision: {
+    enabled: boolean       // 拍照提问入口的总开关，默认关闭
+    cameraDeviceId: string // 上次选用的摄像头，空=用第一个可用设备（该 id 可能失效，见"拍照提问"）
+  }
 }
 ```

-**注意**：本项目无 `chat` 字段（生成固定走 llamacppServer），无 `embed.baseUrl` / `embed.model` 用户配置。
+**注意**：本项目无 `chat` 字段（生成固定走 llamacppServer）。`embed.baseUrl` 字段存在但不对用户暴露，由 `applyPlatformOverrides` 固定推导。
+
+**改 `DEFAULT_CONFIG` 只对新配置生效**：`getConfig()` 是 `{ ...DEFAULT_CONFIG.rag, ...raw.rag }` 这样合并的，已部署设备上 `config.json` 里存过的字段会盖掉新默认值。所以调整默认系统提示词这类改动，已有设备不会自动生效，需要删掉 `config.json` 里对应字段（删掉后会回落到新默认值）或在设置页重新保存一次。

 ## applyPlatformOverrides 逻辑

-`getConfig()` 末尾调用，按计算卡型号覆盖关键配置：
+`getConfig()` 末尾调用。**自 `836d25c` 起，推理请求（生成 + 嵌入）统一走 er_backend 代理**（`ER_BACKEND_URL = 'http://127.0.0.1:17700'`），不再由前端按 cardType 自己推导 llama-server/embed-server 端口——服务实际监听哪个端口完全由 er_backend 后端配置决定，前端只认这一个代理入口：

-**ER160（揽月 M50）**：
- `chat.provider = 'llamacpp'`（内部字段）
- `embed.provider` 若为 `ollama` 改为 `llamacpp`，`local` 保持不变
- `llamacppServer.port = 8081`
- `llamacppEmbed.port = 17701`
- `embed.baseUrl = 'http://127.0.0.1:17701'`（内部推导）
- `extraArgs` 为空时自动补默认值
+- `config.embed.baseUrl` 恒等于 `ER_BACKEND_URL`，与 cardType 无关
+- `generator.ts`、`statusHandler.ts` 的 `chat-test`、`erBackendHandler.ts` 全部请求 `ER_BACKEND_URL/v1/*`

-**ER25（芯动力 RPP）**：
- `embed.provider = 'local'`（强制，本地 CPU）
- `llamacppServer.port = 8080`
- `extraArgs` 为空时补 `'--ctk bf16 --ctv bf16 --no-warmup -ub 128'`
+`applyPlatformOverrides` 现在只负责按计算卡型号补默认启动参数（`extraArgs` 为空时才生效）：
+
+**ER160（揽月 M50）**：`embed.provider` 若不是 `local` 则改为 `llamacpp`；`llamacppServer.extraArgs` 默认 `'--port 8081 --presence_penalty 1.5'`；`llamacppEmbed.extraArgs` 默认走 `DEFAULT_CONFIG` 里的值
+
+**ER25（芯动力 RPP）**：`embed.provider = 'local'`（强制，本地 CPU）；`llamacppServer.extraArgs` 默认 `'--port 8080 --ctk bf16 --ctv bf16 --no-warmup -ub 128'`

 ## SettingsModal.vue 结构（精简后）

@ -123,6 +137,39 @@ NDrawer (width=900)

 **erBackendHandler.ts** 提供对应 IPC，渲染进程通过 `window.electronAPI.erBackend.*` 调用。

+## 拍照提问
+
+用摄像头拍照代替打字提问。**不是把图片直接丢给模型问答，而是先把图像转成文字，再走同一套知识库检索流程**——这样答案依然基于手册、带引用标号，跟文字问答一致。
+
+### 三段式流程（visionHandler.ts）
+
+```
+① 图像理解  describeImage(图片)         → 一句话描述 caption    推送 vision-query:caption
+② 检索      embedOne(caption + 用户问题) → search() 取 topK      推送 vision-query:context
+③ 生成      streamGenerate(用户原始问题, chunks, systemPrompt)   推送 vision-query:delta/done
+```
+
+②③ 直接复用文字问答的 `embedOne`/`search`/`streamGenerate`，**没有平行实现一套**；图片只参与第①步，不会传给最终生成模型。事件通道与 `query:*` 平行（`vision-query:stage` / `:caption` / `:context` / `:delta` / `:done` / `:error`）。
+
+两个刻意的取舍：
+
+- **检索用 `caption + 问题` 拼接，生成只用用户原始问题**。检索侧拼接是为了扩大召回；生成侧只用原问题是为了让回答聚焦。实测拍无关物体 + 问"如何更换前大灯"，答案准确命中前大灯文档且没被图像描述带偏，证明这个分工是必要的。
+- **第①步用固定提示词而非用户问题**，且明确要求"一句话、不展开"。实测输出 45 tokens 左右、耗时 4.0–5.3 秒；对比让视觉模型直接完整作答的 454 tokens / 31 秒，差一个数量级。
+
+### 视觉能力探测（ServiceControl.vue → store.visionAvailable）
+
+后端加载的不是多模态模型时，拍照按钮置灰；换回多模态模型后下一轮轮询（5 秒）自动恢复，不用重启应用。判据顺序：
+
+1. 日志里的 `allow_image = 1` —— 最准确，但**er_backend 日志缓冲只留最近 200 条，服务跑一会儿这行就被推理日志挤掉**，所以只在还翻得到时采信
+2. 启动命令 `lastCommand` 含 `--mmproj` —— 不随日志滚动，长期可靠的兜底
+
+**不要改用 `config.generate.modelType === 'vlm'`**：那是配置意图，用户改了配置但没重启服务时与实际运行的模型不符。
+
+### 摄像头的两个坑
+
+- **deviceId 跨会话会失效**：Web 标准不保证 `deviceId` 稳定，配置里存的旧 id 换会话后常常已不存在，拿它做 `getUserMedia` 的 `exact` 约束会抛 `OverconstrainedError`，整个拍照功能不可用。`CameraCapture.vue` 的 `openStream()` 因此带了回退：指定 id 打不开就退回默认摄像头，并把实际拿到的设备 id 回写。
+- **画面倒置会影响识别质量，不只是观感问题**：这批设备摄像头原始画面是倒的。实测把未旋转的原始帧送去识别，模型描述里会明确写"倒置的室内场景"——它把方向当成了图像特征。所以预览的 CSS 旋转和 `capture()` 里 canvas 的旋转**必须成对出现**，只转预览会变成"看着是正的、存下来的图是倒的"。
+
 ## 关键技术约定

 ### LanceDB 余弦检索（lancedb.ts）
@ -147,6 +194,53 @@ const vectors = await Promise.all(texts.map((t, i) => fetchOne(t, i)))
 ```
 每条 60 秒超时，失败重试 2 次。

+### 语音输出：流式播报（utils/tts.ts）
+
+答案边生成边播报，不等整段生成完。`ChatPanel` 在 `onDelta` 里实时 `ttsPlayer.append(delta)`，`onDone`/`onError` 里 `flush()` 收尾；`TtsPlayer` 内部按句子边界切分入队，播放跟不上文字时会自适应降速。
+
+三个踩过的坑：
+
+- **`append()` 里必须是 `this.buffer += pending` 而不是 `=`**。LLM 流式增量很碎（常几个字一个 chunk），用赋值会把上一次还没凑够一句、尚未送去朗读的残留直接冲掉，实际效果是整段正文都丢了、只念出 `flush()` 时残留的一个句号。
+- **加粗文本会被念两遍**，根因是 `markdownToPlain()` 每次都从头重新解析整段 `rawText`，而 `**` 闭合前后同一段文字的纯文本结果不一样（未闭合时星号当普通字符，闭合后星号被去掉）。提前把这段还不稳定的文字记为"已朗读"，闭合符号一到就会被当成新内容重念。`findStableBoundary()` 因此只处理到最后一个已闭合的 `**` 为止，未闭合的尾巴留到下次；`flush()` 时生成已结束，不再有这顾虑，直接处理完。
+- **"开始播报"提示音要单独入队**（`announceStart()`），不能碰流式缓冲区状态。
+- **生成中途才打开 TTS，会漏掉开关之前已生成的正文**。`append()` 开头是 `if (!this.options.enabled) return`，TTS 关闭期间每次 `onDelta` 调用都被直接挡掉，内部 `rawText`/`lastSpokenPlain` 完全不累积；中途打开后下一次 `onDelta` 只送来新增量，等于从打开那一刻"之后"才开始播。`ChatPanel.vue` 的 `toggleTts()` 因此在 `store.querying` 为真时，除了 `announceStart()` 还要补一次 `ttsPlayer.append(store.rawAnswer)`，把已生成的全文"补喂"一遍，相当于告诉播放器"这就是从头到现在的内容"，之后的增量在这个基础上正常追加、不会重复。
+
+**调试这类"实际发声内容对不对"的问题时的教训**：想在渲染进程 monkey-patch `window.electronAPI.xxx` 来拦截调用做验证是无效的——`contextBridge.exposeInMainWorld` 暴露的对象默认被冻结，赋值会静默失败、不报错，很容易误判成"这条代码路径没走到"。真正能验证的办法是去主进程对应的 `ipcMain.handle(...)` 里临时加 `console.log`（验证完记得删），或者用 CDP 的 `Input.dispatchMouseEvent` 模拟真实点击、`Runtime.evaluate` 读 DOM/计算样式——这两种都是从"实际发生的效果"验证，不依赖能否篡改渲染进程里的 API 对象。
+
+### 长时间运行后语音输入输出一起失效（systemTts.ts）
+
+真机反馈：pad 跑了一两周之后语音输入输出全部失效。现场诊断：pulseaudio 占 49% CPU，系统里积压了 70 个从几天前就存在的 `aplay -t raw` 残留进程。
+
+**根因跟 `WAKE_IDLE_THRESHOLD_MS` 那条注释里提到的"PulseAudio 大约 5 秒空闲就挂起音频设备"是同一件事**：`speakWithVits`/`speakWithPiperStreaming` 每播一个分句就 spawn 一个 aplay，写完数据后调用 `stdin.end()`，然后完全依赖 aplay 自己触发 `'exit'` 事件才清理 `isSpeaking` 状态——没有任何超时兜底（合成侧 `vitsWorker` 倒是本来就有 60 秒超时）。长时间运行后一旦某次"唤醒音频通路"没成功，aplay 会卡在往挂死的 PulseAudio 写数据，`'exit'` 永远不触发，`isSpeaking` 永久卡 `true`，`playNext()` 不再处理队列，TTS 直接哑掉。**ASR 走的是渲染进程 `getUserMedia`/`AudioContext`，和 TTS 共用同一个被拖垮的 PulseAudio 实例**，所以语音输入也一起失效。更麻烦的是 `systemTtsStop()` 原来只发 `SIGTERM`，卡在系统调用里的 aplay 根本杀不掉——每次打断播报（每次提问前都会调一次）都可能攒下一个杀不死的僵尸进程，日积月累到 70 个，把 PulseAudio 彻底拖垮。
+
+**修复**：播放阶段加 `PLAYER_EXIT_TIMEOUT_MS`（8 秒）看门狗，`stdin.end()` 后超时未触发 `'exit'` 就判定通路卡死，`SIGKILL` 强杀并 `done(error)` 收尾；`systemTtsStop()` 加 `killWithEscalation()`，先 `SIGTERM`，1.5 秒宽限期后还没退出就 `SIGKILL`。
+
+**验证方法**：真机上拿 `kill -STOP <pulseaudio_pid>` 故意冻结 PulseAudio，模拟"音频通路卡死"的真实场景，再用 CDP 触发一次播报，确认看门狗在约 8 秒后正确强杀卡住的 aplay、队列自动继续、最终无残留进程，`kill -CONT` 解冻收尾。**这个冻结/解冻手法可以复用**：任何"子进程偶发挂死"的 bug，不必真的等它在真机自然复现，直接 `SIGSTOP` 它依赖的下游服务就能可控地造出卡死场景。
+
+### 系统提示词：查不到内容时的答复
+
+提示词要求"说明手册中暂未查到，并给一条可操作的建议"，而不是硬邦邦一句"我不知道"。
+
+**光在提示词里写"每次换一种措辞"是无效的**——模型每次请求都是无状态的，不知道上次说了什么，实测同样输入连发三次答复一字不差，而且会照抄提示词里给的示例。所以措辞变化由代码侧提供：`generator.ts` 的 `withToneHint()` 每次请求随机挑一条引导，让输入本身产生差异。
+
+**没有采用调高 temperature 的做法**：那会同时影响命中文档的正常回答，而维修手册问答更看重稳定准确。
+
+**`withToneHint()` 的插入位置踩过一次真实的坑**：第一版把引导语整句追加在系统提示词最末尾（紧邻用户问题，模型注意力权重最高的位置）。真机复测发现：同一个检索到充分相关内容、理应直接作答的问题，连续追问 3 次，有 1 次被模型硬套上"手册里未查到…"的开场白，即便后面还是照常给出了详细步骤——答案读起来却像没查到，用户也确实这样反馈过。根因是这条指令脱离了它原本所属的"仅在没有足够信息时才用"的条件分句，变成了提示词末尾一条独立显眼的指令，模型会倾向"找机会用上它"。**现在改为把引导语嵌入到原本那条"如果没有足够信息"分句内部**（`NO_MATCH_BULLET_MARKER` 定位插入点，在 `config.ts` 的默认提示词里找 `以便更准确地定位；` 这句），位置和从属语气都跟原本不带随机性的版本保持一致。用户在设置页改写过这句话、不含该标记时，`withToneHint()` 原样返回不插入，不强行拼接导致语义错位。
+
+**排查这个 bug 时的一个教训**：之前测试这个功能时没能发现问题，是因为测试脚本直接拿纯净的 `systemPrompt` 调用生成接口，没有复现 `withToneHint()` 在真实请求里的行为——以后验证跟 prompt 拼接相关的改动，测试必须经过完整的 `streamGenerate()`/`withToneHint()` 调用链，不能绕开直接测底层生成接口。
+
+另外，`queryHandler`/`visionHandler` 里 `chunks.length === 0` 的兜底文案说的是"知识库还没有文档，请先导入"而不是"我不知道"——`search()` 是全表余弦排序后截断，只要库里有文档就一定返回结果，走到那个分支只可能是库为空。
+
+### 触屏 `:hover` 粘滞导致状态色被覆盖（ChatPanel.vue 语音按钮）
+
+`.voice-btn`（语音输入/语音输出/拍照提问）点击切换"开启"状态后，按钮背景该变成纯 `--green` 填充，真机上却只有边框变绿、背景还是浅灰——看起来像凭空多了一个"焦点框"。
+
+**排查弯路**：一开始以为是浏览器原生 focus outline，加了 `outline:none` + `:active` 反馈，真机复测毫无变化。
+
+**真正根因是 CSS 优先级，跟 outline/focus 完全无关**：`.voice-btn.on`（2 个选择器）想把背景铺满 `--green`，但 `.voice-btn:not(:disabled):hover`（3 个选择器）优先级更高。触屏点击后没有鼠标可以"移开"，`:hover` 状态会一直粘在刚点过的按钮上不消失（触屏设备通病），于是 hover 规则的浅灰 `background` 把 `.on` 的绿色背景盖掉，只剩下没被 hover 碰到的 `border-color: var(--green)` 还在——视觉上就是一个孤零零的绿框。修复：hover 规则加 `:not(.on)` 排除已开启状态。
+
+**排查方法论**：真机截图只能看到表象（"好像是焦点框"），容易被误导。改用 CDP（Chrome DevTools Protocol）——启动时加 `--remote-debugging-port=9222`，写个不依赖 `ws` 包的最小原生 WebSocket 客户端（`net`+`crypto` 手搓握手帧）连上去，用 `Input.dispatchMouseEvent` 模拟真实点击、`Runtime.evaluate` 读点击后的 `getComputedStyle()`，直接看到 `background` 实际渲染值是 `--panel-3` 不是 `--green`，才一次性定位到真正被覆盖的是哪条规则。**以后排查"样式明明写了但没生效"类问题，CDP 读计算样式比盯着截图猜更可靠。**
+
 ### Vue Proxy IPC 序列化

 Pinia 响应式对象直接传给 `ipcRenderer.invoke()` 会触发结构化克隆错误。**所有传入 IPC 的响应式对象必须先序列化**：
@ -167,7 +261,22 @@ asarUnpack: ['node_modules/@lancedb/**', 'node_modules/apache-arrow/**', 'node_m

 ### 版本号管理

-版本号取自最近 git tag（`git describe --tags --abbrev=0`），无 git 环境时读 `.app-version` 文件（已加入 `.gitignore`，构建前生成）。
+版本号解析在三处保持一致：`electron-builder.config.ts`、`electron.vite.config.ts`、`scripts/package-kylin-arm64-deb.sh`。逻辑都是：`git describe --tags --abbrev=0`（去掉 `v` 前缀）→ 失败读项目根目录 `.app-version` 文件（同样去掉 `v` 前缀，已加入 `.gitignore`，PAD 部署等无 `.git` 环境下手动生成）→ 再失败分别 fallback 到 `'0.0.0'` / `'dev'` / `package.json` 版本号。**`.app-version` 缺失是 PAD 上界面显示版本号变成 `dev` 的常见原因**——rsync 部署到 PAD 时要记得同步这个文件。
+
+### 应用图标打包踩坑
+
+`resources/icon.png` 是图标源文件（1024×1024），`resources/icons/{16,24,32,48,64,128,256,512}x{同}.png` 是预生成的常规尺寸（`sips`/ImageMagick 生成，随图标一起更新）。两处坑：
+
+1. **主进程窗口图标**：`src/main/index.ts` 用 `join(__dirname, '../../resources/icon.png')` 相对路径定位，`electron-builder.config.ts` 的 `files` 必须显式包含 `'resources/icon.png'`（默认只有 `out/**/*`，不会自动带上）。
+2. **桌面菜单图标只装 1024×1024 不够**：不少桌面环境（如 UKUI）按常规小尺寸（48×48 等）查找图标，找不到就直接回退成缺省图标，不会从 1024 自动缩放。`scripts/package-kylin-arm64-deb.sh` 把 9 个尺寸全部装进 `hicolor/<size>x<size>/apps/`，另外在 `/usr/share/pixmaps/` 放一份兼容不认图标主题的老式菜单。装完新图标后需要**注销重登或重启**桌面 shell 才会刷新（图标缓存 `~/.cache/icon-cache.kcache`、`~/.cache/ksycoca5_*` 不会主动感知内容变化）。
+
+### 打包体积精简（789M → 664M）
+
+`electron-builder.config.ts` 的 `files` 排除了几个只在渲染层用、主进程从不 `require` 的包（`naive-ui`/`date-fns`/`highlight.js`/`lodash`/`lodash-es`，electron-vite build 时已被 Vite 静态打包进 `out/renderer/*.js`），以及 `onnxruntime-web`（`@huggingface/transformers` 的硬依赖，但项目强制走 `onnxruntime-node`，完全未用）。**排除 glob 必须写成 `'!**/node_modules/xxx/**'`，不能省 `**/` 前缀**——`'!node_modules/xxx/**'` 在真机验证时基本不生效（electron-builder 按完整相对路径匹配）。
+
+`resources/tts/piper/` 只保留 `espeak-ng-data/` 子目录（131M → 18M）：TTS 优先级第一位永远命中 VITS（小雅），Piper 自己的引擎（神经语音模型、二进制、自带 onnxruntime、phonemize 库）从未被实际调用，VITS 只是借用 Piper bundle 里的 `espeak-ng-data` 当 sherpa-onnx 校验用的 dataDir。`systemTts.ts` 的 `findPiperEspeakDataDir()` 只检查这个子目录是否存在，不要求 Piper 引擎的 bin/model/config 齐全。
+
+`models/bge-base-zh-v1.5`、`models/bge-large-zh-v1.5`（只有 tokenizer 元数据无 onnx 权重，代码零引用）、`models/punct`（标点恢复模型，`extraResources` 从未把它纳入打包，功能一直是禁用状态）已从仓库删除。标点恢复功能代码保留（`punctuationModelDir` 为空时优雅跳过），需要的话自行准备模型再在设置里指定目录。

 ## NPU 状态监控

@ -206,7 +315,8 @@ git push origin main
 npm install
 npm run dev:linux              # 开发模式（--no-sandbox）
 npm run package:kylin          # 打包 x64（AppImage + deb）
-npm run package:kylin:arm64  # 打包 arm64（须在 ARM64 机器上，先安装系统 fpm）
+npm run package:kylin:arm64    # 打包 arm64（须在 ARM64 机器上；真机 Kylin 上 deb 目标会因 fpm bug 失败）
+npm run package:kylin:arm64:deb  # 打包 arm64 deb（推荐，已在真机验证；绕开 fpm bug，见上文"打包"条目）
 ```

 ## 同步来源
--- a/README.md
+++ b/README.md
@ -4,6 +4,14 @@

 **仅支持 Linux（银河麒麟 Kylin V10 / Ubuntu）**，适配 ER160（揽月 M50 NPU）和 ER25（芯动力 RPP）计算卡。服务进程管理委托给 [er_backend](https://git.drumtm.com/EdgeRhythm/er_backend)（HTTP 17700），前端专注 RAG 逻辑与用户交互。

+## 功能
+
+- **文档问答**：导入 Markdown/文本手册，提问后检索相关片段并生成带引用标号的回答，点引用可查看原文片段
+- **语音输入**：Paraformer 流式识别，说话即转文字填入输入框
+- **语音输出**：边生成边播报，不用等整段答案写完
+- **拍照提问**：用摄像头拍下实物，先由多模态模型转成一句话描述，再接入同一套知识库检索——所以答案同样基于手册内容、带引用，而不是模型凭空描述图片。需要 er_backend 当前加载的是多模态模型，否则按钮会自动置灰（换回多模态模型后自动恢复）
+- **批量测试**：按预设问题列表循环提问，用于压测和效果回归
+
 ## 技术栈

 - **框架**：Electron + electron-vite + Vue3 + TypeScript
@ -16,10 +24,12 @@

 ## 支持硬件

-| 计算卡 | 嵌入方式 | 生成方式 | 生成端口 |
-|--------|---------|---------|---------|
-| **ER160**（揽月 M50 NPU） | llamacpp NPU（默认）或本地 CPU | llamacpp | 8081 |
-| **ER25**（芯动力 RPP） | 本地 CPU（固定） | llamacpp | 8080 |
+| 计算卡 | 嵌入方式 | 生成方式 |
+|--------|---------|---------|
+| **ER160**（揽月 M50 NPU） | llamacpp NPU（默认）或本地 CPU | llamacpp |
+| **ER25**（芯动力 RPP） | 本地 CPU（固定） | llamacpp |
+
+推理请求（生成 + 嵌入）统一经 er_backend 代理转发（`http://127.0.0.1:17700`），实际 llama-server 监听哪个端口由 er_backend 后端配置决定，前端不感知、也不需要按计算卡型号推导端口。

 ## 目录结构

@ -35,16 +45,14 @@ elec_rag_ui/
 │   ├── renderer/           # Vue3 前端
 │   │   └── src/
 │   │       ├── App.vue     # 根布局（顶栏 + 主区）
-│   │       ├── components/ # ChatPanel / IndexPanel / SettingsModal 等
+│   │       ├── components/ # ChatPanel / IndexPanel / CameraCapture / SettingsModal 等
 │   │       ├── stores/     # Pinia store
+│   │       ├── utils/      # TTS 播放器、音频采集、Markdown 处理
 │   │       └── types/      # TypeScript 类型定义
 │   └── batch_questions.txt # 批量测试问题示例
 ├── models/                 # 本地模型（onnx 由 Git LFS 管理）
-│   ├── bge-small-zh-v1.5/  # 嵌入模型（512 维，~24MB）
-│   ├── bge-base-zh-v1.5/   # 嵌入模型（768 维，~98MB，onnx 需自行下载）
-│   ├── bge-large-zh-v1.5/  # 嵌入模型（1024 维，~312MB，onnx 需自行下载）
-│   ├── asr/                # Paraformer 流式语音识别模型（~376MB）
-│   └── punct/              # 标点恢复模型（~72MB）
+│   ├── bge-small-zh-v1.5/  # 嵌入模型（512 维，~24MB），本地 CPU 向量化回退用
+│   └── asr/                # Paraformer 流式语音识别模型（~376MB）
 ├── docs/                   # 示例文档（用于测试索引与问答）
 ├── resources/              # 应用图标、TTS/ASR worker
 ├── stubs/sharp/            # sharp 原生模块 stub
@ -68,6 +76,15 @@ systemctl status er-backend

 er_backend 管理界面：`http://<PAD-IP>:17700`（配置模型路径、启动/停止服务）

+## 启用拍照提问
+
+需要两个条件同时满足：
+
+1. **er_backend 加载的是多模态模型**——在管理界面把生成模型配成带 mmproj 的视觉模型（启动命令里应带 `--mmproj`）。应用会自动探测：不是多模态模型时拍照按钮置灰，换回多模态模型后 5 秒内自动恢复可用，不用重启应用。
+2. **在「设置 → 基本设置 → 拍照提问」里打开开关**（默认关闭，因为不是所有部署都会配视觉模型）。
+
+摄像头用标准 USB UVC 设备即可，无需额外驱动。有多个摄像头时，拍照弹层右上角可以切换。
+
 ## 模型文件

 `models/` 目录中的 `.onnx` 文件通过 **Git LFS** 管理。克隆后拉取实体文件：
@ -77,9 +94,9 @@ git lfs install
 GIT_SSL_NO_VERIFY=true git lfs pull
 ```

-**bge-base / bge-large** 的 onnx 文件需自行从 HuggingFace 下载：
- [bge-base-zh-v1.5](https://huggingface.co/BAAI/bge-base-zh-v1.5)（下载 `onnx/model_quantized.onnx`，约 98MB）
- [bge-large-zh-v1.5](https://huggingface.co/BAAI/bge-large-zh-v1.5)（下载 `onnx/model_quantized.onnx`，约 312MB）
+> 语音识别默认不带自动加标点（标点恢复模型未随包分发）；如需要可自行准备
+> [sherpa-onnx punct 模型](https://k2-fsa.github.io/sherpa/onnx/punctuation/models.html)，
+> 在设置里把"标点恢复模型目录"指过去即可，代码本身已支持该功能。

 ## 开发模式

@ -94,16 +111,18 @@ npm run dev:linux    # Linux（--no-sandbox，开发专用）

 ```bash
 npm run package:kylin            # Linux x64，产出 AppImage + .deb
-npm run package:kylin:arm64  # Linux ARM64（在 ARM64 机器上执行）
-                             # 须先安装系统 fpm：sudo gem install fpm
+npm run package:kylin:arm64:deb  # Linux ARM64 deb（推荐，须在 ARM64 机器/真机上执行，已验证可行）
+npm run package:kylin:arm64      # Linux ARM64（AppImage + deb），真机 Kylin 上 deb 目标
+                                  # 走 electron-builder 自带 fpm 必现 tar failed，
+                                  # 用 package:kylin:arm64:deb 代替
 ```

 ## 数据存储

 | 内容 | 路径 |
 |------|------|
-| 配置文件 | `~/.config/simple-rag-app/config.json` |
-| 向量数据库 | `~/.config/simple-rag-app/lancedb/` |
+| 配置文件 | `~/.config/elec_rag_ui/config.json` |
+| 向量数据库 | `~/.config/elec_rag_ui/lancedb/` |

 ## 许可证

--- a/docs/feature-pic-design.md
+++ b/docs/feature-pic-design.md
@ -0,0 +1,404 @@
+# 拍照提问模式 —— 设计方案
+
+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
+
+现有 `elec_rag_ui` 是纯文本 RAG 问答：用户打字提问 → 检索本地知识库 → llama-server 生成回答。
+本功能希望新增一种输入方式：**用摄像头拍一张照片，直接针对这张照片提问**（例如对着一个实物部件拍照问"这是什么型号"），
+而不是先打字检索文档。
+
+## 2. 关键前提核实（2026-09-03 现场查证，ER160 pad，192.168.31.48）
+
+### 2.1 摄像头硬件 —— 已具备，风险低
+
+```
+/dev/video0/1 -> Hy-Usb2.0-1*MIC: Hy-QSXGA(8950)   # 约500万像素 USB 摄像头，带麦克风
+/dev/video2/3 -> Hy-Usb2.0-2*MIC: Hy-8M(8079)-Ca   # 约800万像素 USB 摄像头，带麦克风
+lsusb: 1bcf:2cef / 1bcf:2ce4  Sunplus Innovation Technology Inc.
+```
+
+两个都是标准 **USB UVC（USB Video Class）** 摄像头，不是需要专有 ISP 驱动的 CSI 摄像头。
+Chromium/Electron 的 `navigator.mediaDevices.getUserMedia()` 原生支持 UVC 设备，**不需要额外驱动或胶水代码**。
+一台设备接了两个摄像头，需要在 UI 里做设备选择（`enumerateDevices()` 列出后选 `deviceId`），
+或者约定固定用其中一个（待确认哪个摄像头是安装时实际对外的那个）。
+
+### 2.2 推理后端视觉能力 —— **已确认可用（2026-09-03 复查更新）**
+
+初次核实时（见本文档历史）当前模型是纯文本的，`allow_image=0`；**复查时 er_backend 已经换成带
+`--mmproj` 的多模态配置**：
+
+```
+/home/work/houmo-HLIELLama-xh2-2.1.0/bin/llama-server \
+  -m /home/work/models/LLM/HiModel_xh2_qwen3.5-9b_w4a8_256_256k_b1_1chip_2cores_v1.4.0_20260708.gguf \
+  --mmproj /home/work/models/LLM/mmproj_xh2_qwen3.5-9b_w4a8_2cores_vit_896x896_v1.4.0_20260708.gguf \
+  -c 8192 --parallel 1 --host 127.0.0.1 --no-warmup --port 8081 --presence_penalty 1.5 --reasoning-budget 0
+```
+
+启动日志确认：
+
+```
+loaded multimodal model, '.../mmproj_xh2_qwen3.5-9b_w4a8_2cores_vit_896x896_v1.4.0_20260708.gguf'
+==========model info===========================
+=allow_image  =     1
+=allow_audio  =     0
+=vision_width =   896
+=vision_height=   896
+=model_desc   = qwen35 9B Q4_0
+==========model info===========================
+```
+
+**并且做了端到端真实请求验证**（不只是看模型加载日志），直接对 `http://127.0.0.1:17700/v1/chat/completions`
+（即前端 `generator.ts` 实际会调用的同一个地址）发了一个带 `image_url` content-part 的请求：
+
+```
+HTTP 200，耗时 2.6s
+返回：{"content": "黑色"}   —— 测试图片本身就是 1x1 黑色像素，模型回答正确，
+                             证明图片被真实理解，不是被忽略/幻觉回答
+```
+
+**结论：阻塞项已解除**，现在的 er_backend 代理路径（`ER_BACKEND_URL/v1/chat/completions`）原生支持
+OpenAI 风格的 `image_url` content-part，前端可以直接照 §5.2 的格式发请求，不需要额外适配层。
+
+**顺带记录的性能数据**（用于 §6 加载态 UI 设计参考）：这次测试用的是 1×1 像素的极简测试图，
+`prompt_tokens` 却达到了 **808**——印证了启动日志里的警告"Qwen-VL models require at minimum
+1024 image tokens"，即**无论照片内容/分辨率如何，视觉编码本身有一个较高的固定 token 开销**
+（896×896 的 ViT 编码器决定的，不是按源图片大小线性变化）。prefill 速度约 373 tokens/s，
+换算下来光是"看懂一张图"这一步就要 ~2 秒起，生成回答的时间还要另外算。
+
+> **2026-09-03 补充：真实照片实测数据（见 §10）**，一次完整的"描述图片"回答（454 tokens）
+> 实际耗时 **~31 秒**（14.7 tokens/s），比这里用极简测试图估算的"3-8秒"长不少——真实照片信息量大，
+> 模型生成的描述篇幅也更长，这才是真实用户会遇到的等待时长。UI 的等待态提示要按这个量级设计，
+> 不能只按几秒钟的"识别中"来做。
+
+## 3. 功能范围（建议先做 MVP）
+
+**MVP 包含：**
+- 聊天输入区新增"拍照"入口，唤起摄像头取景 → 拍照 → 预览/重拍 → 确认
+- 确认后的照片作为一条用户消息的"附件"，和文字问题一起发送
+- 复用现有流式回答渲染（think 块、逐字输出等现有 ChatPanel 能力不用改）
+- 不做检索（不查向量库）：拍照提问是纯粹的"图 + 文"直接对话，不掺 RAG 上下文
+
+**明确不做（本期）：**
+- 不做"拍照 + 知识库联合检索"（比如拍照后再去匹配文档库里的相关图片/文字）——这需要图像
+  embedding/CLIP 之类的能力，目前项目里完全没有这块基础设施，属于完全独立的大功能，先不纳入
+- 不做连续视频流分析，只做单张静态拍照
+- 不做照片持久化存储/历史相册（先按"用完即弃"设计，见 §6.5 的取舍说明）
+
+## 4. 用户体验流程
+
+```
+[聊天界面输入框旁] 新增相机图标按钮
+        │ 点击
+        ▼
+[取景弹层] 全屏/半屏显示 <video> 实时预览
+   ├─ 有多个摄像头 → 顶部下拉切换设备
+   ├─ [拍照] 按钮 → 定格成 <canvas> 快照
+   └─ 拍完后：[重拍] [使用这张]
+        │ 使用这张
+        ▼
+[输入框上方] 出现照片缩略图（可点 x 移除，可再次点击重新打开取景）
+        │ 用户在输入框打字问题（可选，留空则用默认 prompt "描述这张图片"）
+        │ 点击发送
+        ▼
+[聊天记录] 新增一条用户消息：缩略图 + 问题文字
+[聊天记录] 助手消息流式输出回答（复用现有渲染）
+```
+
+## 5. 技术方案
+
+### 5.1 摄像头采集（渲染进程）
+
+用浏览器标准 API，**不经过 IPC**：
+
+```typescript
+const stream = await navigator.mediaDevices.getUserMedia({ video: { deviceId } })
+// <video> 绑定 stream 实时预览
+// 拍照：canvas.drawImage(videoEl, 0, 0) 后 canvas.toDataURL('image/jpeg', quality)
+```
+
+需要在 `src/main/index.ts` 的权限处理器里确认/放行摄像头权限——现有代码：
+
+```typescript
+session.defaultSession.setPermissionRequestHandler((webContents, permission, callback) => {
+  const allowed = permission === 'media' || permission === 'microphone'
+  callback(allowed)
+})
+```
+
+Electron 里摄像头请求的 `permission` 具体是不是也归为 `'media'`（跟麦克风共用同一个值）需要
+实测确认，不确定的话要加日志打印实际收到的 permission 字符串，照实际情况调整判断条件。
+
+### 5.2 请求格式：OpenAI 视觉 content-parts
+
+现有 `generator.ts` 发给 llama-server 的 `messages[].content` 是纯字符串。视觉请求要改成
+OpenAI 兼容的多段 content：
+
+```typescript
+{
+  role: 'user',
+  content: [
+    { type: 'text', text: userQuestion },
+    { type: 'image_url', image_url: { url: `data:image/jpeg;base64,${base64Data}` } }
+  ]
+}
+```
+
+`generator.ts` 的 `streamGenerateLlamaCpp` 需要能接受这种数组形式的 content（简单改成联合类型，
+现有文本对话路径不受影响，用字符串走老路径）。
+
+### 5.3 IPC 设计（新增，不改动现有 `query` 通道）
+
+参照现有 `query` 的"invoke 触发 + push 事件流"模式，新增一套平行的通道，互不干扰：
+
+```typescript
+// preload
+visionQuery: (payload: { imageBase64: string; question: string }) => Promise<void>
+
+// 主进程新增 vision-query handler，push 事件：
+// vision-query:delta / vision-query:done / vision-query:error
+```
+
+主进程侧新建 `src/main/rag/visionGenerator.ts`（或直接扩展 `generator.ts` 加一个
+`streamGenerateVision()`），直接调 `ER_BACKEND_URL/v1/chat/completions`，**跳过**
+`embedOne`/`search` 这两步（MVP 不做检索，见 §3）。
+
+### 5.4 配置项（`AppConfig` 新增字段）
+
+> **实现时做了裁剪**：`maxImageDimension`/`jpegQuality`/`defaultPrompt` 最终没有做成配置项，
+> 改成代码里的硬编码值（JPEG 质量 0.85，默认问题"请描述这张图片的内容"），且**没有做
+> 上传前压缩**——拍照直接用视频原始分辨率生成 dataURL。原因：真机验证时发现视觉模型的
+> `prompt_tokens` 是固定开销（895×896 ViT 编码器决定，跟源图片分辨率无关，见 §2.2），
+> 客户端压缩分辨率对推理速度没有帮助，只对传输体积有一点点好处，MVP 阶段先不加这层配置，
+> 避免为一个还没证明有必要的问题预先设计开关。实际字段：
+
+```typescript
+vision: {
+  enabled: boolean          // 总开关，默认 false
+  cameraDeviceId: string    // getUserMedia deviceId，空字符串 = 使用第一个可用设备
+}
+```
+
+`enabled` 默认关闭，需要在设置页手动打开（现在后端已具备视觉能力，但默认关闭仍然是合理的——
+不是所有部署的 er_backend 都会配置视觉模型，不能假设每台设备都支持）。
+
+### 5.5 是否持久化照片
+
+**建议不落盘**，只在当次会话的内存/聊天记录里保留 base64（或一个内存 Blob URL 用于渲染缩略图），
+应用重启后历史照片随聊天记录一起清空——跟现有"聊天记录本身也不持久化到数据库"的现状保持一致
+（现有文本问答记录也只是内存里的 Pinia state，没有存 LanceDB 或别的持久层）。如果以后要做"拍照历史"，
+再单独设计存储方案。
+
+## 6. UI 改动点（`ChatPanel.vue`）
+
+> **写这份设计时的一个错误假设**：以为 `ChatPanel.vue` 是"消息列表"结构（数组形式的多轮对话历史），
+> 实现时才发现现有代码根本不是这样——`ChatPanel` 只维护"当前这一轮"的单个问题+单个流式回答
+> （`sentQuestion` + `store.rawAnswer`，每次提问直接覆盖上一轮，没有历史记录数组）。这让实现比设计时
+> 想的更简单：不需要改消息数据结构，只要给"当前这一轮"平行加一个 `sentImage` 就行。
+
+实际做法：
+- 输入区工具栏新增相机图标按钮，跟现有语音按钮同一排、同一视觉风格，仅 `vision.enabled` 为
+  `true` 时显示
+- 新增 `CameraCapture.vue`，职责单一：拿 stream、渲染预览、拍照出 dataURL、emit 给父组件，
+  弹层自己不关心业务逻辑
+- `ChatPanel.vue` 新增三个本地 ref：`cameraOpen`（弹层开关）、`pendingImage`（已拍但未发送，
+  显示成输入框上方一个可移除的缩略图 chip）、`sentImage`（已发送，跟 `sentQuestion` 一起显示在
+  问题气泡里）
+- 抽出 `beginQuery()` 把文字提问和拍照提问共用的准备逻辑（重置状态、打断语音输入、停止旧的
+  TTS 播报）合并成一个函数，避免两条路径各写一遍
+
+## 7. 分阶段实施计划
+
+| 阶段 | 内容 | 状态 |
+|---|---|---|
+| 0 | 跟 er_backend/硬件团队确认视觉模型可用性 | ✅ 完成（2026-09-03，见 §2.2） |
+| 1 | 摄像头取景/拍照 UI（`CameraCapture.vue`） | ✅ 完成，真机验证过真实拍照可用（见 §10） |
+| 2 | IPC + `generator.ts` 改造支持 image_url content-part | ✅ 完成，真机验证过完整回答（见 §10） |
+| 3 | 配置项、设置页开关、真机联调 | ✅ 完成（配置项范围比设计时缩减，见 §5.4） |
+| 4 | 打包验证（照片相关无新增大文件，不影响现有打包体积） | ⬜ 未做——这次验证走的是 `dev:linux` 开发模式，没有重新打包 deb |
+
+## 8. 风险与未决问题（更新为已验证/未验证状态）
+
+1. ~~Electron 权限处理器对摄像头请求的 `permission` 字符串需要实测确认~~
+   **已确认**：真机日志 `[permission] media -> granted`，getUserMedia 摄像头请求确实归为 `media`，
+   跟麦克风共用同一个权限判断，不需要额外代码。
+2. **未解决**：两个摄像头哪个是实际安装朝向的那个，仍未现场确认物理安装位置——目前实现是
+   `CameraCapture.vue` 里有下拉框给用户自己选，没有做默认值的硬编码判断，算是绕开了这个问题
+   （用户自己选，不需要我们替他决定），但如果产品上想要"打开就是对的那个摄像头"，还是要现场确认。
+3. **已验证，风险比预想低**：真实分辨率照片（未压缩，直接原始 dataURL）经 er_backend 代理转发
+   `/v1/chat/completions` 没有遇到任何请求体大小限制，正常返回。**没有做 §5.4 提到的客户端压缩**——
+   实测证明视觉模型的 `prompt_tokens` 开销是固定的（跟源图片分辨率无关，见 §2.2），压缩分辨率对
+   推理速度没有帮助，暂时不需要加这层。如果以后遇到极端大尺寸照片（比如高分辨率单反直出）传输
+   变慢，再回头考虑加压缩。
+4. **已用真实数据更新**：完整一段描述类回答实测 **~31 秒**（454 tokens，14.7 tokens/s），不是
+   §2.2 早期用 1×1 测试图估算的"3-8秒"。当前实现**还没有做专门的长等待 UI 提示**——现有的
+   `stage-row`"识别中"loading 态是复用文字问答那套，能用但没有针对"这可能要等半分钟"做优化，
+   是一个值得后续改进但不阻塞可用性的点。
+5. `--reasoning-budget 0` 这个启动参数暗示当前配置关闭了推理/think 模式——真机测试的回答是
+   直接输出内容，没有 `<think>` 块，跟这条预判一致，现有 `<think>` 渲染逻辑没有被拍照提问路径
+   触发，也没有报错，两条路径共用同一套 markdown 渲染没有问题。
+
+## 9. 后续可选优化（不阻塞当前可用性）
+
+- 针对 §8.4 的长等待时间，给拍照提问单独设计一个更明确的等待态提示（比如预估时间、进度感的动画）
+- 针对 §8.2，现场确认两个摄像头哪个是产品实际会用的那个，考虑是否需要写死默认设备
+- 打包验证（§7 阶段4）：确认这次改动不影响现有 664M 左右的 deb 体积（新增代码本身很小，
+  不应该有明显影响，但要走一次真实打包确认）
+- 如果以后有极端大尺寸照片的性能问题，再考虑加回 §5.4 提到的客户端压缩
+
+## 10. 实现与验证记录（2026-09-03）
+
+代码实现：`feature_pic` 分支 commit `21f9c7e`。改动文件清单、每个文件做了什么，见该 commit
+的提交信息，这里不重复。
+
+验证方式：rsync 到 pad → `npx vue-tsc --noEmit`（**一次性通过，零错误**，没有需要修的类型问题）
+→ `npx electron-vite build`（成功）→ `DISPLAY=:0` 直接跑编译产物（未打包 deb，走的是开发产物
+直接运行）→ `ffmpeg -f x11grab` 截图 + `xdotool` 模拟点击操作，验证到：
+
+- 拍照弹层打开、真实摄像头画面可见（拍到桌面上的 Mac mini、显示器）、多摄像头下拉正确列出
+  真实设备名 `Hy-8M(8079)-Camera`
+- 拍照 → 图片正确附加到问题气泡（缩略图渲染正常）→ 默认问题文案 `VISION_DEFAULT_QUESTION`
+  正确生效 → 流式回答完整渲染
+- **回答内容真实针对图片作答**：准确识别出 Mac Mini、AOC 显示器，读出包装盒上的具体文字
+  "100Gbps Super Fast SSD Storage Anywhere"、充电器上的"22W"——细到具体文本级别，
+  不是通用套话或幻觉
+- 进程全程稳定，没有因为这次改动崩溃；唯一的无关日志是 SSL 证书握手失败（pad 时钟问题，
+  跟这次改动无关，见项目里其他关于 pad 时钟的记录）
+
+**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）
+
+**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
+
+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
+
+## 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
--- a/electron-builder.config.ts
+++ b/electron-builder.config.ts
@ -26,7 +26,24 @@ const config: Configuration = {
    buildResources: 'resources',
    output: 'dist'
  },
-  files: ['out/**/*'],
+  // resources/icon.png 单独列出：src/main/index.ts 用相对路径 __dirname/../../resources/icon.png
+  // 定位窗口图标（打包后 __dirname 是 <app>/out/main），必须让它落在 <app>/resources/ 下
+  //
+  // 排除项：这几个包只在 src/renderer/ 被引用，electron-vite build 时已经被 Vite
+  // 静态打包进 out/renderer/*.js，主进程运行时不会去 node_modules 里 require 它们；
+  // onnxruntime-web 是 @huggingface/transformers 的硬依赖但项目强制走 onnxruntime-node，
+  // 从未被使用。排除后单包体积减少约 227M（naive-ui/date-fns/highlight.js/lodash 系
+  // 渲染层已打包、onnxruntime-web 完全未用，详见排查记录）。
+  files: [
+    'out/**/*',
+    'resources/icon.png',
+    '!**/node_modules/onnxruntime-web/**',
+    '!**/node_modules/naive-ui/**',
+    '!**/node_modules/date-fns/**',
+    '!**/node_modules/highlight.js/**',
+    '!**/node_modules/lodash/**',
+    '!**/node_modules/lodash-es/**'
+  ],
  asarUnpack: [
    'node_modules/@lancedb/**',
    'node_modules/apache-arrow/**',
--- a/models/bge-base-zh-v1.5/config.json
+++ b/models/bge-base-zh-v1.5/config.json
@ -1,39 +0,0 @@
-{
-  "_name_or_path": "BAAI/bge-base-zh-v1.5",
-  "architectures": [
-    "BertModel"
-  ],
-  "attention_probs_dropout_prob": 0.1,
-  "bos_token_id": 0,
-  "classifier_dropout": null,
-  "directionality": "bidi",
-  "eos_token_id": 2,
-  "hidden_act": "gelu",
-  "hidden_dropout_prob": 0.1,
-  "hidden_size": 768,
-  "id2label": {
-    "0": "LABEL_0"
-  },
-  "initializer_range": 0.02,
-  "intermediate_size": 3072,
-  "label2id": {
-    "LABEL_0": 0
-  },
-  "layer_norm_eps": 1e-12,
-  "max_position_embeddings": 512,
-  "model_type": "bert",
-  "num_attention_heads": 12,
-  "num_hidden_layers": 12,
-  "output_past": true,
-  "pad_token_id": 0,
-  "pooler_fc_size": 768,
-  "pooler_num_attention_heads": 12,
-  "pooler_num_fc_layers": 3,
-  "pooler_size_per_head": 128,
-  "pooler_type": "first_token_transform",
-  "position_embedding_type": "absolute",
-  "transformers_version": "4.34.0.dev0",
-  "type_vocab_size": 2,
-  "use_cache": true,
-  "vocab_size": 21128
-}
--- a/models/bge-base-zh-v1.5/special_tokens_map.json
+++ b/models/bge-base-zh-v1.5/special_tokens_map.json
@ -1,7 +0,0 @@
-{
-  "cls_token": "[CLS]",
-  "mask_token": "[MASK]",
-  "pad_token": "[PAD]",
-  "sep_token": "[SEP]",
-  "unk_token": "[UNK]"
-}
--- a/models/bge-base-zh-v1.5/tokenizer.json
+++ b/models/bge-base-zh-v1.5/tokenizer.json
--- a/models/bge-base-zh-v1.5/tokenizer_config.json
+++ b/models/bge-base-zh-v1.5/tokenizer_config.json
@ -1,15 +0,0 @@
-{
-  "clean_up_tokenization_spaces": true,
-  "cls_token": "[CLS]",
-  "do_basic_tokenize": true,
-  "do_lower_case": true,
-  "mask_token": "[MASK]",
-  "model_max_length": 512,
-  "never_split": null,
-  "pad_token": "[PAD]",
-  "sep_token": "[SEP]",
-  "strip_accents": null,
-  "tokenize_chinese_chars": true,
-  "tokenizer_class": "BertTokenizer",
-  "unk_token": "[UNK]"
-}
--- a/models/bge-large-zh-v1.5/config.json
+++ b/models/bge-large-zh-v1.5/config.json
@ -1,39 +0,0 @@
-{
-  "_name_or_path": "BAAI/bge-large-zh-v1.5",
-  "architectures": [
-    "BertModel"
-  ],
-  "attention_probs_dropout_prob": 0.1,
-  "bos_token_id": 0,
-  "classifier_dropout": null,
-  "directionality": "bidi",
-  "eos_token_id": 2,
-  "hidden_act": "gelu",
-  "hidden_dropout_prob": 0.1,
-  "hidden_size": 1024,
-  "id2label": {
-    "0": "LABEL_0"
-  },
-  "initializer_range": 0.02,
-  "intermediate_size": 4096,
-  "label2id": {
-    "LABEL_0": 0
-  },
-  "layer_norm_eps": 1e-12,
-  "max_position_embeddings": 512,
-  "model_type": "bert",
-  "num_attention_heads": 16,
-  "num_hidden_layers": 24,
-  "output_past": true,
-  "pad_token_id": 0,
-  "pooler_fc_size": 768,
-  "pooler_num_attention_heads": 12,
-  "pooler_num_fc_layers": 3,
-  "pooler_size_per_head": 128,
-  "pooler_type": "first_token_transform",
-  "position_embedding_type": "absolute",
-  "transformers_version": "4.34.0.dev0",
-  "type_vocab_size": 2,
-  "use_cache": true,
-  "vocab_size": 21128
-}
--- a/models/bge-large-zh-v1.5/special_tokens_map.json
+++ b/models/bge-large-zh-v1.5/special_tokens_map.json
@ -1,7 +0,0 @@
-{
-  "cls_token": "[CLS]",
-  "mask_token": "[MASK]",
-  "pad_token": "[PAD]",
-  "sep_token": "[SEP]",
-  "unk_token": "[UNK]"
-}
--- a/models/bge-large-zh-v1.5/tokenizer.json
+++ b/models/bge-large-zh-v1.5/tokenizer.json
--- a/models/bge-large-zh-v1.5/tokenizer_config.json
+++ b/models/bge-large-zh-v1.5/tokenizer_config.json
@ -1,15 +0,0 @@
-{
-  "clean_up_tokenization_spaces": true,
-  "cls_token": "[CLS]",
-  "do_basic_tokenize": true,
-  "do_lower_case": true,
-  "mask_token": "[MASK]",
-  "model_max_length": 1000000000000000019884624838656,
-  "never_split": null,
-  "pad_token": "[PAD]",
-  "sep_token": "[SEP]",
-  "strip_accents": null,
-  "tokenize_chinese_chars": true,
-  "tokenizer_class": "BertTokenizer",
-  "unk_token": "[UNK]"
-}
--- a/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/README.md
+++ b/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/README.md
@ -1,56 +0,0 @@
-# Introduction
-
-This model is converted from
-https://modelscope.cn/models/iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch/summary
-
-The commands to generate the onnx model are given below:
-
-```
-pip install funasr modelscope
-pip install kaldi-native-fbank torchaudio onnx onnxruntime
-
-mkdir -p /tmp/models
-cd /tmp/models
-
-git clone https://www.modelscope.cn/iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch.git
-cd punc_ct-transformer_zh-cn-common-vocab272727-pytorch
-git lfs pull --include model.pt
-
-cd /tmp
-git clone https://github.com/alibaba-damo-academy/FunASR
-cd FunASR/runtime/python/onnxruntime
-
-cat >export-onnx.py <<EOF
-
-from funasr_onnx import CT_Transformer
-model_dir = "/tmp/punc_ct-transformer_zh-cn-common-vocab272727-pytorch" # model = CT_Transformer(model_dir, quantize=True) model = CT_Transformer(model_dir)
-EOF
-
-chmod +x export-onnx.py
-
-./export-onnx.py
-```
-
-You will find the exported
-`model.onnx` file inside
-`/tmp/models/punc_ct-transformer_zh-cn-common-vocab272727-pytorch`.
-
-Now you can use ./add-model-metadata.py in this repo to add metadata to the generated
-`model.onnx`.
-
-You can use
-```
-from onnxruntime.quantization import QuantType, quantize_dynamic
-
-quantize_dynamic(
-  model_input="./model.onnx",
-  model_output="./model.int8.onnx",
-  weight_type=QuantType.QUInt8,
-)
-```
-to get the `int8` quantized model
-
-```
-rw-r--r--  1 fangjun  staff    72M Jun 18 10:33 model.int8.onnx
-rw-r--r--  1 fangjun  staff   281M Apr 12  2024 model.onnx
-```
--- a/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/config.yaml
+++ b/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/config.yaml
@ -1,46 +0,0 @@
-model: CTTransformer
-model_conf:
-    ignore_id: 0
-    embed_unit: 256
-    att_unit: 256
-    dropout_rate: 0.1
-    punc_list:
-        - <unk>
-        - _
-        - ，
-        - 。
-        - ？
-        - 、
-    punc_weight:
-        - 1.0
-        - 1.0
-        - 1.0
-        - 1.0
-        - 1.0
-        - 1.0
-    sentence_end_id: 3
-
-encoder: SANMEncoder
-encoder_conf:
-    input_size: 256
-    output_size: 256
-    attention_heads: 8
-    linear_units: 1024
-    num_blocks: 4
-    dropout_rate: 0.1
-    positional_dropout_rate: 0.1
-    attention_dropout_rate: 0.0
-    input_layer: pe
-    pos_enc_class: SinusoidalPositionEncoder
-    normalize_before: true
-    kernel_size: 11
-    sanm_shfit: 0
-    selfattention_layer_type: sanm
-    padding_idx: 0
-
-tokenizer: CharTokenizer
-tokenizer_conf:
-  unk_symbol: <unk>
-
-
-
--- a/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/model.int8.onnx
+++ b/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/model.int8.onnx
--- a/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/tokens.json
+++ b/models/punct/sherpa-onnx-punct-ct-transformer-zh-en-vocab272727-2024-04-12-int8/tokens.json
--- a/package.json
+++ b/package.json
@ -14,7 +14,8 @@
    "build": "vue-tsc --noEmit && electron-vite build",
    "preview": "electron-vite preview",
    "package:kylin": "electron-vite build && cp resources/asr-worker.cjs out/main/asr-worker.cjs && ELECTRON_BUILDER_BINARIES_MIRROR=https://npmmirror.com/mirrors/electron-builder-binaries/ electron-builder --config electron-builder.config.ts --linux --x64",
-    "package:kylin:arm64": "electron-vite build && cp resources/asr-worker.cjs out/main/asr-worker.cjs && USE_SYSTEM_FPM=true ELECTRON_BUILDER_BINARIES_MIRROR=https://npmmirror.com/mirrors/electron-builder-binaries/ electron-builder --config electron-builder.config.ts --linux deb AppImage --arm64"
+    "package:kylin:arm64": "electron-vite build && cp resources/asr-worker.cjs out/main/asr-worker.cjs && USE_SYSTEM_FPM=true ELECTRON_BUILDER_BINARIES_MIRROR=https://npmmirror.com/mirrors/electron-builder-binaries/ electron-builder --config electron-builder.config.ts --linux deb AppImage --arm64",
+    "package:kylin:arm64:deb": "bash scripts/package-kylin-arm64-deb.sh"
  },
  "workspaces": ["stubs/sharp"],
  "dependencies": {
--- a/resources/icon.png
+++ b/resources/icon.png
--- a/resources/icons/128x128.png
+++ b/resources/icons/128x128.png
--- a/resources/icons/16x16.png
+++ b/resources/icons/16x16.png
--- a/resources/icons/24x24.png
+++ b/resources/icons/24x24.png
--- a/resources/icons/256x256.png
+++ b/resources/icons/256x256.png
--- a/resources/icons/32x32.png
+++ b/resources/icons/32x32.png
--- a/resources/icons/48x48.png
+++ b/resources/icons/48x48.png
--- a/resources/icons/512x512.png
+++ b/resources/icons/512x512.png
--- a/resources/icons/64x64.png
+++ b/resources/icons/64x64.png
--- a/resources/tts/piper/espeak-ng
+++ b/resources/tts/piper/espeak-ng
--- a/resources/tts/piper/libespeak-ng.so
+++ b/resources/tts/piper/libespeak-ng.so
--- a/resources/tts/piper/libespeak-ng.so.1
+++ b/resources/tts/piper/libespeak-ng.so.1
--- a/resources/tts/piper/libespeak-ng.so.1.52.0.1
+++ b/resources/tts/piper/libespeak-ng.so.1.52.0.1
--- a/resources/tts/piper/libonnxruntime.so
+++ b/resources/tts/piper/libonnxruntime.so
--- a/resources/tts/piper/libonnxruntime.so.1.14.1
+++ b/resources/tts/piper/libonnxruntime.so.1.14.1
--- a/resources/tts/piper/libpiper_phonemize.so
+++ b/resources/tts/piper/libpiper_phonemize.so
--- a/resources/tts/piper/libpiper_phonemize.so.1
+++ b/resources/tts/piper/libpiper_phonemize.so.1
--- a/resources/tts/piper/libpiper_phonemize.so.1.2.0
+++ b/resources/tts/piper/libpiper_phonemize.so.1.2.0
--- a/resources/tts/piper/libtashkeel_model.ort
+++ b/resources/tts/piper/libtashkeel_model.ort
--- a/resources/tts/piper/models/zh_CN-huayan-medium.onnx
+++ b/resources/tts/piper/models/zh_CN-huayan-medium.onnx
--- a/resources/tts/piper/models/zh_CN-huayan-medium.onnx.json
+++ b/resources/tts/piper/models/zh_CN-huayan-medium.onnx.json
@ -1,487 +0,0 @@
-{
-  "audio": {
-    "sample_rate": 22050,
-    "quality": "medium"
-  },
-  "espeak": {
-    "voice": "cmn"
-  },
-  "inference": {
-    "noise_scale": 0.667,
-    "length_scale": 1,
-    "noise_w": 0.8
-  },
-  "phoneme_type": "espeak",
-  "phoneme_map": {},
-  "phoneme_id_map": {
-    "_": [
-      0
-    ],
-    "^": [
-      1
-    ],
-    "$": [
-      2
-    ],
-    " ": [
-      3
-    ],
-    "!": [
-      4
-    ],
-    "'": [
-      5
-    ],
-    "(": [
-      6
-    ],
-    ")": [
-      7
-    ],
-    ",": [
-      8
-    ],
-    "-": [
-      9
-    ],
-    ".": [
-      10
-    ],
-    ":": [
-      11
-    ],
-    ";": [
-      12
-    ],
-    "?": [
-      13
-    ],
-    "a": [
-      14
-    ],
-    "b": [
-      15
-    ],
-    "c": [
-      16
-    ],
-    "d": [
-      17
-    ],
-    "e": [
-      18
-    ],
-    "f": [
-      19
-    ],
-    "h": [
-      20
-    ],
-    "i": [
-      21
-    ],
-    "j": [
-      22
-    ],
-    "k": [
-      23
-    ],
-    "l": [
-      24
-    ],
-    "m": [
-      25
-    ],
-    "n": [
-      26
-    ],
-    "o": [
-      27
-    ],
-    "p": [
-      28
-    ],
-    "q": [
-      29
-    ],
-    "r": [
-      30
-    ],
-    "s": [
-      31
-    ],
-    "t": [
-      32
-    ],
-    "u": [
-      33
-    ],
-    "v": [
-      34
-    ],
-    "w": [
-      35
-    ],
-    "x": [
-      36
-    ],
-    "y": [
-      37
-    ],
-    "z": [
-      38
-    ],
-    "æ": [
-      39
-    ],
-    "ç": [
-      40
-    ],
-    "ð": [
-      41
-    ],
-    "ø": [
-      42
-    ],
-    "ħ": [
-      43
-    ],
-    "ŋ": [
-      44
-    ],
-    "œ": [
-      45
-    ],
-    "ǀ": [
-      46
-    ],
-    "ǁ": [
-      47
-    ],
-    "ǂ": [
-      48
-    ],
-    "ǃ": [
-      49
-    ],
-    "ɐ": [
-      50
-    ],
-    "ɑ": [
-      51
-    ],
-    "ɒ": [
-      52
-    ],
-    "ɓ": [
-      53
-    ],
-    "ɔ": [
-      54
-    ],
-    "ɕ": [
-      55
-    ],
-    "ɖ": [
-      56
-    ],
-    "ɗ": [
-      57
-    ],
-    "ɘ": [
-      58
-    ],
-    "ə": [
-      59
-    ],
-    "ɚ": [
-      60
-    ],
-    "ɛ": [
-      61
-    ],
-    "ɜ": [
-      62
-    ],
-    "ɞ": [
-      63
-    ],
-    "ɟ": [
-      64
-    ],
-    "ɠ": [
-      65
-    ],
-    "ɡ": [
-      66
-    ],
-    "ɢ": [
-      67
-    ],
-    "ɣ": [
-      68
-    ],
-    "ɤ": [
-      69
-    ],
-    "ɥ": [
-      70
-    ],
-    "ɦ": [
-      71
-    ],
-    "ɧ": [
-      72
-    ],
-    "ɨ": [
-      73
-    ],
-    "ɪ": [
-      74
-    ],
-    "ɫ": [
-      75
-    ],
-    "ɬ": [
-      76
-    ],
-    "ɭ": [
-      77
-    ],
-    "ɮ": [
-      78
-    ],
-    "ɯ": [
-      79
-    ],
-    "ɰ": [
-      80
-    ],
-    "ɱ": [
-      81
-    ],
-    "ɲ": [
-      82
-    ],
-    "ɳ": [
-      83
-    ],
-    "ɴ": [
-      84
-    ],
-    "ɵ": [
-      85
-    ],
-    "ɶ": [
-      86
-    ],
-    "ɸ": [
-      87
-    ],
-    "ɹ": [
-      88
-    ],
-    "ɺ": [
-      89
-    ],
-    "ɻ": [
-      90
-    ],
-    "ɽ": [
-      91
-    ],
-    "ɾ": [
-      92
-    ],
-    "ʀ": [
-      93
-    ],
-    "ʁ": [
-      94
-    ],
-    "ʂ": [
-      95
-    ],
-    "ʃ": [
-      96
-    ],
-    "ʄ": [
-      97
-    ],
-    "ʈ": [
-      98
-    ],
-    "ʉ": [
-      99
-    ],
-    "ʊ": [
-      100
-    ],
-    "ʋ": [
-      101
-    ],
-    "ʌ": [
-      102
-    ],
-    "ʍ": [
-      103
-    ],
-    "ʎ": [
-      104
-    ],
-    "ʏ": [
-      105
-    ],
-    "ʐ": [
-      106
-    ],
-    "ʑ": [
-      107
-    ],
-    "ʒ": [
-      108
-    ],
-    "ʔ": [
-      109
-    ],
-    "ʕ": [
-      110
-    ],
-    "ʘ": [
-      111
-    ],
-    "ʙ": [
-      112
-    ],
-    "ʛ": [
-      113
-    ],
-    "ʜ": [
-      114
-    ],
-    "ʝ": [
-      115
-    ],
-    "ʟ": [
-      116
-    ],
-    "ʡ": [
-      117
-    ],
-    "ʢ": [
-      118
-    ],
-    "ʲ": [
-      119
-    ],
-    "ˈ": [
-      120
-    ],
-    "ˌ": [
-      121
-    ],
-    "ː": [
-      122
-    ],
-    "ˑ": [
-      123
-    ],
-    "˞": [
-      124
-    ],
-    "β": [
-      125
-    ],
-    "θ": [
-      126
-    ],
-    "χ": [
-      127
-    ],
-    "ᵻ": [
-      128
-    ],
-    "ⱱ": [
-      129
-    ],
-    "0": [
-      130
-    ],
-    "1": [
-      131
-    ],
-    "2": [
-      132
-    ],
-    "3": [
-      133
-    ],
-    "4": [
-      134
-    ],
-    "5": [
-      135
-    ],
-    "6": [
-      136
-    ],
-    "7": [
-      137
-    ],
-    "8": [
-      138
-    ],
-    "9": [
-      139
-    ],
-    "̧": [
-      140
-    ],
-    "̃": [
-      141
-    ],
-    "̪": [
-      142
-    ],
-    "̯": [
-      143
-    ],
-    "̩": [
-      144
-    ],
-    "ʰ": [
-      145
-    ],
-    "ˤ": [
-      146
-    ],
-    "ε": [
-      147
-    ],
-    "↓": [
-      148
-    ],
-    "#": [
-      149
-    ],
-    "\"": [
-      150
-    ],
-    "↑": [
-      151
-    ]
-  },
-  "num_symbols": 256,
-  "num_speakers": 1,
-  "speaker_id_map": {},
-  "piper_version": "1.0.0",
-  "language": {
-    "code": "zh_CN",
-    "family": "zh",
-    "region": "CN",
-    "name_native": "简体中文",
-    "name_english": "Chinese",
-    "country_english": "China"
-  },
-  "dataset": "huayan"
-}
--- a/resources/tts/piper/piper
+++ b/resources/tts/piper/piper
--- a/resources/tts/piper/piper_phonemize
+++ b/resources/tts/piper/piper_phonemize
--- a/scripts/package-kylin-arm64-deb.sh
+++ b/scripts/package-kylin-arm64-deb.sh
@ -0,0 +1,137 @@
+#!/bin/bash
+# 在 Kylin V10 (RK3588, arm64) 上构建 elec_rag_ui 的 deb 安装包。
+#
+# 背景：electron-builder 自带的 fpm 打包路径在这类 arm64 Kylin 板子上有已知 bug——
+# fpm 内部调用 tar 归档 data.tar.gz 时报 "tar failed (exit code 2)"，无法通过
+# `electron-builder --linux deb` 直接产出 deb。此脚本改用 electron-builder 的
+# `dir` target 先产出 unpacked 应用目录，再手工拼装 DEBIAN 控制文件用 dpkg-deb 打包，
+# 这条路径已在真机上验证可行。
+#
+# 必须在 arm64 Linux（如目标 pad 本身）上执行，依赖 dpkg-deb。
+#
+# 用法：bash scripts/package-kylin-arm64-deb.sh
+
+set -e
+
+cd "$(dirname "$0")/.."
+
+if ! command -v dpkg-deb >/dev/null 2>&1; then
+  echo "错误：找不到 dpkg-deb，本脚本只能在 Debian/Kylin 系 arm64 Linux 上运行" >&2
+  exit 1
+fi
+
+if [ "$(uname -m)" != "aarch64" ]; then
+  echo "警告：当前架构不是 aarch64（实测为 $(uname -m)），继续执行但产物大概率无法在 arm64 pad 上运行" >&2
+fi
+
+# 版本号解析：优先 git tag，其次 .app-version（rsync 到无 .git 的 pad 时使用），
+# 最后回退 package.json 里的版本号。与 electron-builder.config.ts / electron.vite.config.ts
+# 的解析逻辑保持一致，确保三处版本号（deb 文件名、界面显示、控制文件）永远一致。
+VERSION=$(git describe --tags --abbrev=0 2>/dev/null | sed 's/^v//') || true
+if [ -z "$VERSION" ] && [ -f .app-version ]; then
+  VERSION=$(cat .app-version | tr -d '[:space:]' | sed 's/^v//')
+fi
+if [ -z "$VERSION" ]; then
+  VERSION=$(node -p "require('./package.json').version")
+fi
+echo "=== 打包版本号: $VERSION ==="
+
+PRODUCT_NAME="智能电子手册"
+EXE_NAME="elec_rag_ui"
+PKG_NAME="elec-rag-ui"
+APP_DIR="dist/linux-arm64-unpacked"
+STAGING="dist/deb-staging"
+OUT="dist/${PKG_NAME}_${VERSION}_arm64.deb"
+
+echo "=== 1/4 electron-vite build ==="
+npx electron-vite build
+cp resources/asr-worker.cjs out/main/asr-worker.cjs
+
+echo "=== 2/4 electron-builder（仅 dir target，跳过 fpm）==="
+ELECTRON_BUILDER_BINARIES_MIRROR=https://npmmirror.com/mirrors/electron-builder-binaries/ \
+  npx electron-builder --config electron-builder.config.ts --linux dir --arm64
+
+if [ ! -d "$APP_DIR" ]; then
+  echo "错误：electron-builder 没有产出 $APP_DIR" >&2
+  exit 1
+fi
+
+echo "=== 3/4 手工拼装 deb 结构 ==="
+rm -rf "$STAGING"
+mkdir -p "$STAGING/DEBIAN" \
+         "$STAGING/opt/$PRODUCT_NAME" \
+         "$STAGING/usr/bin" \
+         "$STAGING/usr/share/applications" \
+         "$STAGING/usr/share/pixmaps"
+
+cp -a "$APP_DIR/." "$STAGING/opt/$PRODUCT_NAME/"
+# chrome-sandbox 必须是 setuid root，否则 Electron 沙箱初始化失败，
+# 启动即崩溃报 "Failed sending zygote boot message: 断开的管道"
+chmod 4755 "$STAGING/opt/$PRODUCT_NAME/chrome-sandbox"
+
+# 只装 1024x1024 会导致部分桌面菜单（如 UKUI）在按常规尺寸（48x48 等）查找图标时
+# 找不到、直接回退成缺省图标，而不是从 1024 缩放——所以要把常规尺寸全部装齐
+for size in 16 24 32 48 64 128 256 512 1024; do
+  mkdir -p "$STAGING/usr/share/icons/hicolor/${size}x${size}/apps"
+  if [ "$size" = "1024" ]; then
+    cp resources/icon.png "$STAGING/usr/share/icons/hicolor/1024x1024/apps/$PKG_NAME.png"
+  else
+    cp "resources/icons/${size}x${size}.png" "$STAGING/usr/share/icons/hicolor/${size}x${size}/apps/$PKG_NAME.png"
+  fi
+done
+# 兼容不认 icon 主题、直接读 pixmaps 的老式菜单实现
+cp resources/icons/48x48.png "$STAGING/usr/share/pixmaps/$PKG_NAME.png"
+
+cat > "$STAGING/usr/share/applications/$PKG_NAME.desktop" <<EOF
+[Desktop Entry]
+Name=$PRODUCT_NAME
+Exec=/opt/$PRODUCT_NAME/$EXE_NAME %U
+Terminal=false
+Type=Application
+Icon=$PKG_NAME
+StartupWMClass=$PRODUCT_NAME
+Comment=RAG 知识库查询桌面应用
+Categories=Utility;
+EOF
+
+INSTALLED_SIZE=$(du -sk "$STAGING/opt" | cut -f1)
+cat > "$STAGING/DEBIAN/control" <<EOF
+Package: $PKG_NAME
+Version: $VERSION
+Section: utils
+Priority: optional
+Architecture: arm64
+Installed-Size: $INSTALLED_SIZE
+Depends: libgtk-3-0, libnotify4, libnss3, libxss1, libxtst6, xdg-utils, libatspi2.0-0, libuuid1, libsecret-1-0
+Recommends: libappindicator3-1
+Maintainer: EdgeRhythm <ssurui@gmail.com>
+Homepage: https://gitee.com/EdgeRhythm/elec_rag_ui
+Description: 本地化 RAG 问答桌面前端
+EOF
+
+cat > "$STAGING/DEBIAN/postinst" <<EOF
+#!/bin/sh
+set -e
+ln -sf "/opt/$PRODUCT_NAME/$EXE_NAME" /usr/bin/$PKG_NAME
+if [ -x /usr/bin/update-desktop-database ]; then
+  update-desktop-database /usr/share/applications >/dev/null 2>&1 || true
+fi
+if [ -x /usr/bin/gtk-update-icon-cache ]; then
+  gtk-update-icon-cache -q /usr/share/icons/hicolor >/dev/null 2>&1 || true
+fi
+EOF
+
+cat > "$STAGING/DEBIAN/postrm" <<EOF
+#!/bin/sh
+set -e
+rm -f /usr/bin/$PKG_NAME
+EOF
+
+chmod 755 "$STAGING/DEBIAN/postinst" "$STAGING/DEBIAN/postrm"
+
+echo "=== 4/4 dpkg-deb --build ==="
+dpkg-deb --root-owner-group -Zgzip --build "$STAGING" "$OUT"
+
+echo "=== 完成: $OUT ==="
+ls -la "$OUT"
+dpkg-deb -I "$OUT" | head -20
--- a/src/main/config.ts
+++ b/src/main/config.ts
@ -2,11 +2,14 @@ import { app } from 'electron'
 import { join } from 'path'
 import { existsSync, readFileSync, writeFileSync } from 'fs'

+// 推理请求统一走 er_backend 代理（管理面端口，/v1/* 由后端转发到其实际管理的 llama-server）
+export const ER_BACKEND_URL = 'http://127.0.0.1:17700'
+
 export interface AppConfig {
  embed: {
    provider: 'local' | 'llamacpp'
    localModelPath: string
-    baseUrl: string   // 由 applyPlatformOverrides 自动推导，不对用户暴露
+    baseUrl: string   // 由 applyPlatformOverrides 固定为 er_backend 代理地址，不对用户暴露
  }
  rag: {
    chunkSize: number
@ -14,6 +17,7 @@ export interface AppConfig {
    topK: number
    systemPrompt: string
  }
+  // 服务的启动参数/端口由 er_backend 统一管理，以下字段仅为历史配置保留，前端不再用于路由
  llamacppServer: {
    executablePath: string
    modelPath: string
@ -54,13 +58,17 @@ export interface AppConfig {
      volume: number
    }
  }
+  vision: {
+    enabled: boolean       // 拍照提问入口总开关，默认关闭（依赖 er_backend 是否加载了支持视觉的模型）
+    cameraDeviceId: string // 上次选用的摄像头 deviceId，空字符串 = 使用第一个可用设备
+  }
 }

 export const DEFAULT_CONFIG: AppConfig = {
  embed: {
    provider: 'llamacpp',
    localModelPath: '',
-    baseUrl: 'http://127.0.0.1:17701'
+    baseUrl: ER_BACKEND_URL
  },
  llamacppServer: {
    executablePath: '',
@ -102,6 +110,10 @@ export const DEFAULT_CONFIG: AppConfig = {
      volume: 1
    }
  },
+  vision: {
+    enabled: false,
+    cameraDeviceId: ''
+  },
  rag: {
    chunkSize: 480,
    chunkOverlap: 0,
@ -110,7 +122,9 @@ export const DEFAULT_CONFIG: AppConfig = {
 你的任务是：
 - 只能依据用户提供的上下文内容进行回答；
 - 每个答案中如果有信息来源于上下文，必须标注对应的引用标号（例如：[1]，也可以是多个标号，例如：[1][3]）；
- 如果问题的信息在上下文中找不到，请直接回复："我不知道。"
+- 如果上下文中没有足够的信息回答问题，不要编造内容，也不要生硬地只回一句"我不知道"。
+  请用一两句自然、平和的话说明手册中暂未查到相关内容，并给出一条简短、可操作的建议，
+  例如请对方补充车型/年款、具体部件名称，或把故障现象描述得更具体，以便更准确地定位；
 - 不得使用自己的知识库或常识来回答问题；
 - 回答应简洁明了，不添加额外解释或发挥。

@ -194,6 +208,10 @@ export function getConfig(): AppConfig {
          rate: typeof raw.voice?.tts?.rate === 'number' ? raw.voice.tts.rate : DEFAULT_CONFIG.voice.tts.rate,
          volume: typeof raw.voice?.tts?.volume === 'number' ? raw.voice.tts.volume : DEFAULT_CONFIG.voice.tts.volume
        }
+      },
+      vision: {
+        enabled: raw.vision?.enabled === true,
+        cameraDeviceId: typeof raw.vision?.cameraDeviceId === 'string' ? raw.vision.cameraDeviceId : ''
      }
    }
    applyPlatformOverrides(config)
@ -206,19 +224,18 @@ export function getConfig(): AppConfig {
 }

 // 按计算卡型号覆盖 embed provider 和默认启动参数
+// 推理请求统一走 er_backend 代理（ER_BACKEND_URL），服务端口以后端配置为准，前端不再维护
 function applyPlatformOverrides(config: AppConfig): void {
  const card = config.hardware.cardType
  if (card === 'er25') {
    // ER25：嵌入固定本地 CPU，无嵌入服务进程
    config.embed.provider = 'local'
-    config.llamacppServer.port = 8080
    if (!config.llamacppServer.extraArgs.trim()) {
      config.llamacppServer.extraArgs = '--port 8080 --ctk bf16 --ctv bf16 --no-warmup -ub 128'
    }
  } else {
    // ER160：嵌入默认 llamacpp NPU（local 保持不变）
    if (config.embed.provider !== 'local') config.embed.provider = 'llamacpp'
-    config.llamacppServer.port = 8081
    if (!config.llamacppServer.extraArgs.trim()) {
      config.llamacppServer.extraArgs = '--port 8081 --presence_penalty 1.5'
    }
@ -226,8 +243,8 @@ function applyPlatformOverrides(config: AppConfig): void {
      config.llamacppEmbed.extraArgs = DEFAULT_CONFIG.llamacppEmbed.extraArgs
    }
  }
-  // 嵌入服务地址跟随端口
-  config.embed.baseUrl = `http://127.0.0.1:${config.llamacppEmbed.port}`
+  // 嵌入/生成服务地址固定为 er_backend 代理
+  config.embed.baseUrl = ER_BACKEND_URL
 }

 export function saveConfig(config: AppConfig): void {
--- a/src/main/index.ts
+++ b/src/main/index.ts
@ -80,7 +80,8 @@ function getMimeType(filePath: string): string {
 }

 app.whenReady().then(() => {
-  // 允许渲染进程请求麦克风权限（语音输入所需）
+  // 允许渲染进程请求麦克风权限（语音输入所需）；Electron 的 getUserMedia 摄像头请求
+  // （拍照提问用）在权限系统里也归为 'media'，跟麦克风共用同一个判断，不需要单独加 'camera'
  session.defaultSession.setPermissionRequestHandler((webContents, permission, callback) => {
    const allowed = permission === 'media' || permission === 'microphone'
    console.log(`[permission] ${permission} -> ${allowed ? 'granted' : 'denied'}`)
--- a/src/main/ipc/erBackendHandler.ts
+++ b/src/main/ipc/erBackendHandler.ts
@ -1,7 +1,6 @@
 import { ipcMain } from 'electron'
 import { execFile } from 'child_process'
-
-const ER_BACKEND_URL = 'http://localhost:17700'
+import { ER_BACKEND_URL } from '../config'

 async function isRunning(): Promise<boolean> {
  try {
--- a/src/main/ipc/index.ts
+++ b/src/main/ipc/index.ts
@ -1,5 +1,6 @@
 import { registerIndexHandlers } from './indexHandler'
 import { registerQueryHandlers } from './queryHandler'
+import { registerVisionHandlers } from './visionHandler'
 import { registerStatusHandlers } from './statusHandler'
 import { registerAsrHandlers } from './asrHandler'
 import { registerTtsHandlers } from './ttsHandler'
@ -11,6 +12,7 @@ import type { BrowserWindow } from 'electron'
 export function registerIpcHandlers(getWin: () => BrowserWindow | null): void {
  registerIndexHandlers(getWin)
  registerQueryHandlers(getWin)
+  registerVisionHandlers(getWin)
  registerStatusHandlers(getWin)
  registerAsrHandlers(getWin)
  registerTtsHandlers(getWin)
--- a/src/main/ipc/queryHandler.ts
+++ b/src/main/ipc/queryHandler.ts
@ -16,7 +16,7 @@ export function registerQueryHandlers(getWin: () => BrowserWindow | null): void
    console.log(`\n${'='.repeat(60)}`)
    console.log('[query] 问题：', payload.question)
    console.log('[query] topK：', payload.topK)
-    console.log('[query] 向量化方式：', config.embed.provider, '生成服务端口：', config.llamacppServer.port)
+    console.log('[query] 向量化方式：', config.embed.provider, '生成/嵌入服务：er_backend 代理（127.0.0.1:17700）')

    const send = (channel: string, data: unknown): void => {
      getWin()?.webContents.send(channel, data)
@ -40,7 +40,12 @@ export function registerQueryHandlers(getWin: () => BrowserWindow | null): void
      send('query:stage', { stage: '正在生成...' })

      if (chunks.length === 0) {
-        send('query:delta', { delta: '我不知道。' })
+        // 走到这里说明知识库里一条记录都没有（search 是全表余弦排序后截断，
+        // 只要有文档就一定会返回结果），是"还没入库"而不是"没找到相关内容"，
+        // 提示要引导去导入文档，不能只回一句"我不知道"让人以为是模型答不上来
+        send('query:delta', {
+          delta: '知识库中还没有任何文档，暂时无法回答。请先在「设置 → 文档入库」中导入手册，再来提问。'
+        })
        send('query:done', {})
        return
      }
@ -50,7 +55,6 @@ export function registerQueryHandlers(getWin: () => BrowserWindow | null): void
        payload.question,
        chunks,
        payload.systemPrompt,
-        config.llamacppServer,
        {
          onDelta: (delta) => send('query:delta', { delta }),
          onDone: (stats) => send('query:done', { stats: stats ?? null }),
--- a/src/main/ipc/statusHandler.ts
+++ b/src/main/ipc/statusHandler.ts
@ -2,7 +2,7 @@ import { ipcMain, dialog } from 'electron'
 import type { BrowserWindow } from 'electron'
 import { existsSync, readFileSync, writeFileSync } from 'fs'
 import { join } from 'path'
-import { getConfig, saveConfig, getDbPath, AppConfig } from '../config'
+import { getConfig, saveConfig, getDbPath, AppConfig, ER_BACKEND_URL } from '../config'
 import { getDocCount } from '../db/lancedb'
 import { embedOneLocal, resolveLocalModelPath } from '../rag/localEmbedder'
 import { syncNpuPolling } from './npuHandler'
@ -100,11 +100,12 @@ export function registerStatusHandlers(getWin: () => BrowserWindow | null): void
    }
  })

-  ipcMain.handle('chat-test', async (_event, llamacppConfig: AppConfig['llamacppServer']): Promise<TestResult> => {
+  // 生成服务连接测试（经 er_backend 代理转发到 llama-server）
+  ipcMain.handle('chat-test', async (_event, _llamacppConfig: AppConfig['llamacppServer']): Promise<TestResult> => {
    const start = Date.now()
    const elapsed = (): string => `${Date.now() - start}ms`
    try {
-      const res = await fetch(`http://127.0.0.1:${llamacppConfig.port}/v1/chat/completions`, {
+      const res = await fetch(`${ER_BACKEND_URL}/v1/chat/completions`, {
        method: 'POST',
        headers: { 'Content-Type': 'application/json' },
        body: JSON.stringify({
--- a/src/main/ipc/visionHandler.ts
+++ b/src/main/ipc/visionHandler.ts
@ -0,0 +1,68 @@
+import { ipcMain, BrowserWindow } from 'electron'
+import { getConfig, getDbPath } from '../config'
+import { embedOne } from '../rag/embedder'
+import { search } from '../db/lancedb'
+import { describeImage, streamGenerate } from '../rag/generator'
+
+// 拍照提问：先用视觉模型快速生成一句图像描述（不查库），描述+用户问题拼接去检索本地
+// 知识库，再用用户原始问题（没打字就用描述本身）+ 检索到的上下文做纯文字生成——
+// 跟 queryHandler.ts 的文字问答共用 embedOne/search/streamGenerate，只是多了第①步。
+export function registerVisionHandlers(getWin: () => BrowserWindow | null): void {
+  ipcMain.handle('vision-query', async (_event, payload: {
+    question: string
+    imageDataUrl: string
+  }) => {
+    const config = getConfig()
+    const dbPath = getDbPath()
+
+    console.log(`\n${'='.repeat(60)}`)
+    console.log('[vision-query] 用户问题：', payload.question || '(未输入)')
+
+    const send = (channel: string, data: unknown): void => {
+      getWin()?.webContents.send(channel, data)
+    }
+
+    try {
+      // ① 图像理解：固定提示词，快速拿一句话描述
+      send('vision-query:stage', { stage: '正在识别图片...' })
+      const caption = await describeImage(payload.imageDataUrl)
+      send('vision-query:caption', { caption })
+
+      // ② 检索：描述 + 用户问题拼接，扩大召回面
+      const retrievalQuery = payload.question ? `${caption}\n${payload.question}` : caption
+      send('vision-query:stage', { stage: '正在检索...' })
+      const queryVector = await embedOne(retrievalQuery, config.embed)
+      const chunks = await search(dbPath, queryVector, config.rag.topK)
+      console.log(`[vision-query] 检索到 ${chunks.length} 个片段：`)
+      chunks.forEach((c, i) => {
+        console.log(`  片段${i + 1}  相关度=${c.score}  来源=${c.source}`)
+      })
+      send('vision-query:context', { chunks })
+
+      if (chunks.length === 0) {
+        // 同 queryHandler：这里只可能是知识库为空，不是"没检索到相关内容"
+        send('vision-query:delta', {
+          delta: '知识库中还没有任何文档，暂时无法结合手册回答。请先在「设置 → 文档入库」中导入手册，再来提问。'
+        })
+        send('vision-query:done', {})
+        return
+      }
+
+      // ③ 生成：用用户原始问题保持聚焦，没打字就用描述本身
+      const genQuestion = payload.question || caption
+      send('vision-query:stage', { stage: '正在生成...' })
+      await streamGenerate(
+        genQuestion,
+        chunks,
+        config.rag.systemPrompt,
+        {
+          onDelta: (delta) => send('vision-query:delta', { delta }),
+          onDone: (stats) => send('vision-query:done', { stats: stats ?? null }),
+          onError: (message) => send('vision-query:error', { message })
+        }
+      )
+    } catch (e) {
+      send('vision-query:error', { message: String(e) })
+    }
+  })
+}
--- a/src/main/rag/generator.ts
+++ b/src/main/rag/generator.ts
@ -1,5 +1,5 @@
 import type { SearchResult } from '../db/lancedb'
-import type { AppConfig } from '../config'
+import { ER_BACKEND_URL } from '../config'

 export interface GeneratorStats {
  tokensPerSecond: number
@ -14,12 +14,59 @@ export interface GeneratorCallbacks {
  onError: (message: string) => void
 }

-// 生成服务固定使用 llamacpp（ER160/ER25 均通过 er_backend 管理的 llama-server）
+// OpenAI 视觉 API 的 content-part 格式，multimodal 模型（如 Qwen-VL + mmproj）用这种数组形式
+// 代替纯字符串 content 来同时携带文字与图片
+type ContentPart =
+  | { type: 'text'; text: string }
+  | { type: 'image_url'; image_url: { url: string } }
+
+interface ChatMessage {
+  role: 'system' | 'user'
+  content: string | ContentPart[]
+}
+
+// 每次请求对模型来说都是无状态的，它并不知道"上一次说了什么"，所以只在系统提示词里
+// 写"每次换一种措辞"是无效的——实测同样的输入连发三次，答复一字不差。这里改为每次请求
+// 随机挑一条措辞引导，让输入本身产生差异，答复自然就不会千篇一律。
+//
+// 之所以不用调高 temperature 来制造随机性：那会同时影响命中文档的正常回答，而维修手册
+// 问答更看重稳定准确。
+//
+// 踩过的坑：第一版把引导语整句追加在系统提示词最末尾（紧邻用户问题，模型注意力权重最高
+// 的位置），结果它从"仅在查不到内容时才用"的次要条件，变成了一条独立显眼的指令——真机
+// 复测发现同一个检索到充分相关内容的问题，连续追问 3 次，有 1 次被模型硬套上了"手册里
+// 未查到…"的开场白，即使后面还是照常给出了详细步骤，答案读起来却像没查到。原因是这条
+// 指令脱离了它所属的条件分句、又处于 prompt 末尾最显眼的位置，模型会"找机会用上它"。
+//
+// 现在改为嵌入到原本那条"如果没有足够信息"分句的内部（MARKER 之后、下一条分句之前），
+// 并把措辞明确改成"仅当确实需要使用这句话时"——位置和从属语气都跟原本那句不带随机性的
+// 版本一致，只是具体措辞有随机性。真机复测：同一个问题连跑 5 次全部正常作答，真正查不到
+// 内容的问题也依然能正确触发（且带上变化后的措辞）。
+const NO_MATCH_TONE_HINTS = [
+  '（仅当确实需要使用这句话时，才以"很抱歉"起头组织这句话。）',
+  '（仅当确实需要使用这句话时，才以"手册里"起头组织这句话。）',
+  '（仅当确实需要使用这句话时，才以"目前检索到的资料"起头组织这句话。）',
+  '（仅当确实需要使用这句话时，才以"这部分内容"起头组织这句话。）',
+  '（仅当确实需要使用这句话时，才用两句话表达：先说明情况，再给一条补充信息的建议。）',
+  '（仅当确实需要使用这句话时，才先简短致歉，再说明可以如何把问题描述得更具体。）'
+]
+
+// 必须跟 config.ts 里 DEFAULT_CONFIG.rag.systemPrompt 那条"没有足够信息"分句的结尾保持一致，
+// 用于定位插入点。用户在设置页改写过这句话、不含这个标记时，原样返回不插入——
+// 不强行拼接导致语义错位，顶多是少一点措辞变化，不会把提示词弄坏。
+const NO_MATCH_BULLET_MARKER = '以便更准确地定位；'
+
+function withToneHint(systemPrompt: string): string {
+  if (!systemPrompt.includes(NO_MATCH_BULLET_MARKER)) return systemPrompt
+  const hint = NO_MATCH_TONE_HINTS[Math.floor(Math.random() * NO_MATCH_TONE_HINTS.length)]
+  return systemPrompt.replace(NO_MATCH_BULLET_MARKER, `${NO_MATCH_BULLET_MARKER}\n  ${hint}`)
+}
+
+// 生成服务经 er_backend 代理访问其管理的 llama-server（OpenAI 兼容接口，SSE 流式）
 export async function streamGenerate(
  question: string,
  chunks: SearchResult[],
  systemPrompt: string,
-  llamacppConfig: AppConfig['llamacppServer'],
  callbacks: GeneratorCallbacks
 ): Promise<void> {
  const context = chunks
@ -32,23 +79,72 @@ ${context}

 请回答以下问题：${question}`

+  const finalSystemPrompt = withToneHint(systemPrompt)
+
  console.log('\n[generator] ---- 发送给 LLM 的完整消息 ----')
-  console.log(`[generator] 服务地址：http://127.0.0.1:${llamacppConfig.port}`)
-  console.log('[generator] system prompt：\n', systemPrompt)
+  console.log(`[generator] 服务地址：${ER_BACKEND_URL}（er_backend 代理）`)
+  console.log('[generator] system prompt：\n', finalSystemPrompt)
  console.log('[generator] user message：\n', userMessage)
  console.log('[generator] ---- 消息结束 ----\n')

-  await streamGenerateLlamaCpp(userMessage, systemPrompt, llamacppConfig, callbacks)
+  await streamChatCompletion(
+    [
+      { role: 'system', content: finalSystemPrompt },
+      { role: 'user', content: userMessage }
+    ],
+    callbacks
+  )
+}
+
+// 拍照提问第一步：用固定的默认提示词（不是用户问题）让视觉模型快速给一句话描述，
+// 用于后续拼检索查询。单次非流式请求——只要一句简短结果，不需要逐字显示，
+// 也不需要每次都重新走一遍长回答的 SSE 解析。
+const IMAGE_DESCRIBE_PROMPT =
+  '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。'
+
+export async function describeImage(imageDataUrl: string): Promise<string> {
+  const baseUrl = ER_BACKEND_URL
+  const messages: ChatMessage[] = [
+    {
+      role: 'user',
+      content: [
+        { type: 'text', text: IMAGE_DESCRIBE_PROMPT },
+        { type: 'image_url', image_url: { url: imageDataUrl } }
+      ]
+    }
+  ]
+
+  console.log('\n[generator] ---- 图像理解（拍照提问第①步）----')
+  console.log(`[generator] 服务地址：${baseUrl}（er_backend 代理）`)
+
+  const start = Date.now()
+  let response: Response
+  try {
+    response = await fetch(`${baseUrl}/v1/chat/completions`, {
+      method: 'POST',
+      headers: { 'Content-Type': 'application/json' },
+      body: JSON.stringify({ model: 'default', messages, stream: false })
+    })
+  } catch (e) {
+    throw new Error(`无法连接视觉理解服务（${baseUrl}，er_backend 代理）：${String(e)}`)
+  }
+
+  if (!response.ok) {
+    throw new Error(`图像理解请求失败：${response.status}`)
+  }
+
+  const data = await response.json()
+  const caption: string = data.choices?.[0]?.message?.content?.trim() ?? ''
+  console.log(`[generator] 图像描述（耗时 ${((Date.now() - start) / 1000).toFixed(1)}s）：${caption}`)
+  return caption
 }

 // llama.cpp server OpenAI 兼容接口（/v1/chat/completions），SSE 格式
-async function streamGenerateLlamaCpp(
-  userMessage: string,
-  systemPrompt: string,
-  llamacppConfig: AppConfig['llamacppServer'],
+async function streamChatCompletion(
+  messages: ChatMessage[],
  callbacks: GeneratorCallbacks
 ): Promise<void> {
-  const baseUrl = `http://127.0.0.1:${llamacppConfig.port}`
+  const baseUrl = ER_BACKEND_URL
  let fullResponse = ''
  let thinkOpen = false
  const requestSentTime = Date.now()
@ -62,21 +158,18 @@ async function streamGenerateLlamaCpp(
      headers: { 'Content-Type': 'application/json' },
      body: JSON.stringify({
        model: 'default',
-        messages: [
-          { role: 'system', content: systemPrompt },
-          { role: 'user', content: userMessage }
-        ],
+        messages,
        stream: true,
        stream_options: { include_usage: true }
      })
    })
  } catch (e) {
-    callbacks.onError(`无法连接 llama.cpp server（${baseUrl}）：${String(e)}`)
+    callbacks.onError(`无法连接生成服务（${baseUrl}，er_backend 代理）：${String(e)}`)
    return
  }

  if (!response.ok) {
-    callbacks.onError(`llama.cpp server 请求失败：${response.status}`)
+    callbacks.onError(`生成服务请求失败：${response.status}`)
    return
  }

--- a/src/main/tts/systemTts.ts
+++ b/src/main/tts/systemTts.ts
@ -122,6 +122,25 @@ function findBundledVits(): string | null {
  return null
 }

+/**
+ * VITS（小雅）的 sherpa-onnx 校验要求指定一个 espeak-ng-data 目录，历史上直接复用
+ * Piper bundle 里的那份数据。Piper 自己的引擎（模型/二进制/onnxruntime/phonemize）
+ * 在有 VITS 时永远不会被实际调用（detectBackend 第一优先级永远命中 VITS），
+ * 所以只保留 piper/espeak-ng-data 这一个子目录，不要求整套 Piper 引擎存在。
+ */
+function findPiperEspeakDataDir(): string | null {
+  const candidates = [
+    join(process.resourcesPath, 'tts', 'piper'),
+    join(__dirname, '..', '..', 'resources', 'tts', 'piper'),
+    process.env.TTS_BUNDLE_DIR ? join(process.env.TTS_BUNDLE_DIR, 'piper') : ''
+  ].filter(Boolean)
+
+  for (const dir of candidates) {
+    if (existsSync(join(dir, 'espeak-ng-data'))) return dir
+  }
+  return null
+}
+
 function findBundledEspeakNg(): string | null {
  const candidates = [
    join(process.resourcesPath, 'tts', 'espeak-ng'),
@ -188,6 +207,18 @@ const WAKE_TIMEOUT_MS = WAKE_SILENCE_MS + 3000
 const PAUSE_LONG_MS = 200
 const PAUSE_SHORT_MS = 100

+/**
+ * stdin 写完（EOF）后等待播放器自行退出的最长时间。正常情况下 aplay 把缓冲里剩余的
+ * 音频播完就会退出，通常远小于 1 秒。真机长时间运行后发现过 PulseAudio 音频通路挂起
+ * 唤醒失败的情况（见上面 WAKE_IDLE_THRESHOLD_MS 的注释——这台设备的 PulseAudio 大约
+ * 5 秒空闲就会把音频设备挂起），aplay 卡在给挂死的通路写数据，stdin.end() 之后永远不
+ * 触发 'exit'：没有这个兜底的话，isSpeaking 会永久卡在 true，playNext() 再也不会处理
+ * 队列里后续的句子，相当于整个 TTS 直接哑掉；ASR 共用同一个 PulseAudio 实例，通路卡死
+ * 后录音也会跟着失败，这正是"长时间运行后语音输入输出都不行"的根因。超时后强制
+ * SIGKILL 并以 done(error) 收尾，让队列能继续推进而不是永久卡死。
+ */
+const PLAYER_EXIT_TIMEOUT_MS = 8000
+
 /** 生成指定时长的裸静音 PCM（s16le 单声道） */
 function buildSilenceRaw(durationMs: number, sampleRate: number): Buffer {
  return Buffer.alloc(Math.floor((sampleRate * durationMs) / 1000) * 2)
@ -303,15 +334,13 @@ function detectBackend(): Promise<Backend | null> {
  if (detectedBackendPromise) return detectedBackendPromise
  detectedBackendPromise = (async () => {
    // 1. 优先使用内嵌 sherpa-onnx VITS 小雅模型（BZNSYP 标准普通话）。
-    // 依赖 Piper  bundle 里的 espeak-ng-data 作为 dataDir（sherpa-onnx 校验需要）。
+    // 依赖 Piper bundle 里的 espeak-ng-data 作为 dataDir（sherpa-onnx 校验需要），
+    // 不需要 Piper 引擎本身（bin/model/config），见 findPiperEspeakDataDir 注释。
    const bundledVits = findBundledVits()
-    const piperForData = findBundledPiper()
-    if (bundledVits && piperForData) {
+    const piperDataDir = findPiperEspeakDataDir()
+    if (bundledVits && piperDataDir) {
      bundledVitsDir = bundledVits
-      bundledPiperBin = piperForData.bin
-      bundledPiperDir = piperForData.dir
-      bundledPiperModel = piperForData.model
-      bundledPiperConfig = piperForData.config
+      bundledPiperDir = piperDataDir
      detectedBackend = 'bundled-vits'
      console.log('[systemTts] detected backend:', detectedBackend, 'at', bundledVitsDir)
      return detectedBackend
@ -594,9 +623,17 @@ function speakWithPiperStreaming(
    const fullText = segments.join('')

    let resolved = false
+    let playerExitTimer: NodeJS.Timeout | null = null
+    const clearPlayerExitTimer = () => {
+      if (playerExitTimer) {
+        clearTimeout(playerExitTimer)
+        playerExitTimer = null
+      }
+    }
    const done = (error?: string) => {
      if (resolved) return
      resolved = true
+      clearPlayerExitTimer()
      cleanup()
      try {
        rmSync(segDir, { recursive: true, force: true })
@ -727,6 +764,19 @@ function speakWithPiperStreaming(
        } catch {
          // ignore
        }
+        // 见 PLAYER_EXIT_TIMEOUT_MS 注释：音频通路卡死时 aplay 可能永远不触发 'exit'，
+        // 这里兜底强制结束，避免 isSpeaking 卡死导致后续队列全部哑掉。
+        const stuckPlayer = currentPlayer
+        playerExitTimer = setTimeout(() => {
+          if (!isAlive()) return
+          console.warn('[systemTts] 播放器退出超时，判定音频通路卡死，强制结束本轮播报')
+          try {
+            stuckPlayer?.kill('SIGKILL')
+          } catch {
+            // ignore
+          }
+          done('player exit timeout')
+        }, PLAYER_EXIT_TIMEOUT_MS)
      }
    })()

@ -894,10 +944,18 @@ function speakWithVits(segments: string[], needWake: boolean): Promise<void> {
      const segDir = mkdtempSync(join(tmpdir(), 'tts-vits-'))

      let resolved = false
+      let playerExitTimer: NodeJS.Timeout | null = null
+      const clearPlayerExitTimer = () => {
+        if (playerExitTimer) {
+          clearTimeout(playerExitTimer)
+          playerExitTimer = null
+        }
+      }
      const isAlive = () => myToken === ttsStreamToken && !resolved
      const done = (error?: string) => {
        if (resolved) return
        resolved = true
+        clearPlayerExitTimer()
        // 通知 worker 停止后续合成（模型保持加载，worker 常驻不退出）
        try {
          vitsWorker?.send({ cmd: 'cancel' })
@ -998,6 +1056,20 @@ function speakWithVits(segments: string[], needWake: boolean): Promise<void> {
          } catch {
            // ignore
          }
+          // 数据已全部写完，正常情况下 aplay 播完缓冲就会触发上面的 'exit' 处理器。
+          // 若音频通路卡死（见 PLAYER_EXIT_TIMEOUT_MS 注释），'exit' 永远不会来，
+          // 这里兜底强制结束本轮播报，避免 isSpeaking 卡死导致后续队列全部哑掉。
+          const stuckPlayer = currentPlayer
+          playerExitTimer = setTimeout(() => {
+            if (!isAlive()) return
+            console.warn('[systemTts] 播放器退出超时，判定音频通路卡死，强制结束本轮播报')
+            try {
+              stuckPlayer?.kill('SIGKILL')
+            } catch {
+              // ignore
+            }
+            done('player exit timeout')
+          }, PLAYER_EXIT_TIMEOUT_MS)
        }
      })()

@ -1118,7 +1190,23 @@ function speakWithPiper(
  })
 }

+/**
+ * 每轮播报结束时统一调用。之前只是把 currentProcess/currentPlayer 引用置空，
+ * 没有保证对应的系统进程真的退出——真机复测时发现合成卡死分支（见上面
+ * "synth timeout" 处）只杀了 vitsWorker，没杀已经 spawn 出来、stdin 还开着
+ * 干等数据的 aplay，这个进程会永远卡在那等一个再也不会来的 EOF，形成和
+ * PLAYER_EXIT_TIMEOUT_MS 要解决的问题同一性质的泄漏，只是触发路径不同。
+ * 与其在每个 done() 调用点各自记得去杀 currentPlayer，不如在 cleanup()
+ * 这个唯一的收尾出口统一兜底：无论从哪条路径走到这里，都先尝试杀掉还活着
+ * 的进程，再清空引用。
+ */
 function cleanup(): void {
+  if (currentProcess) {
+    killWithEscalation(currentProcess)
+  }
+  if (currentPlayer) {
+    killWithEscalation(currentPlayer)
+  }
  currentProcess = null
  currentPlayer = null
  isSpeaking = false
@ -1162,6 +1250,33 @@ export async function systemTtsSpeak(text: string): Promise<void> {
  })
 }

+/**
+ * 先 SIGTERM，一段宽限期后如果进程还没退出再 SIGKILL。
+ * 音频通路卡死时 aplay 可能卡在不可中断的系统调用里，单发 SIGTERM 不一定能把它
+ * 真正杀掉——这里只是把 JS 里的引用清空了、不代表对应的系统进程真的退出了，不加
+ * 兜底的话每次中途打断播报都可能在后台攒下一个杀不掉的僵尸 aplay，长时间运行下来
+ * 越积越多，最终把 PulseAudio 拖垮（见 PLAYER_EXIT_TIMEOUT_MS 注释）。
+ */
+function killWithEscalation(proc: ChildProcess, graceMs = 1500): void {
+  let exited = false
+  proc.once('exit', () => {
+    exited = true
+  })
+  try {
+    proc.kill('SIGTERM')
+  } catch {
+    // ignore
+  }
+  setTimeout(() => {
+    if (exited) return
+    try {
+      proc.kill('SIGKILL')
+    } catch {
+      // ignore
+    }
+  }, graceMs)
+}
+
 export function systemTtsStop(): void {
  // 递增代际标记，进行中的分段喂流循环会据此中止
  ttsStreamToken++
@ -1173,11 +1288,7 @@ export function systemTtsStop(): void {
    } catch {
      // ignore
    }
-    try {
-      currentProcess.kill('SIGTERM')
-    } catch {
-      // ignore
-    }
+    killWithEscalation(currentProcess)
    currentProcess = null
  }
  if (currentPlayer) {
@ -1186,11 +1297,7 @@ export function systemTtsStop(): void {
    } catch {
      // ignore
    }
-    try {
-      currentPlayer.kill('SIGTERM')
-    } catch {
-      // ignore
-    }
+    killWithEscalation(currentPlayer)
    currentPlayer = null
  }
  queue = []
--- a/src/preload/index.ts
+++ b/src/preload/index.ts
@ -17,6 +17,10 @@ contextBridge.exposeInMainWorld('electronAPI', {
  query: (payload: { question: string; systemPrompt: string; topK: number }): Promise<void> =>
    ipcRenderer.invoke('query', payload),

+  // 拍照提问（不走检索，直接把图片+问题发给多模态生成服务）
+  visionQuery: (payload: { question: string; imageDataUrl: string }): Promise<void> =>
+    ipcRenderer.invoke('vision-query', payload),
+
  // 状态 & 配置
  getDbStatus: (): Promise<{ count: number; ready: boolean }> =>
    ipcRenderer.invoke('get-db-status'),
--- a/src/renderer/public/icon.png
+++ b/src/renderer/public/icon.png
--- a/src/renderer/src/components/CameraCapture.vue
+++ b/src/renderer/src/components/CameraCapture.vue
@ -0,0 +1,230 @@
+<script setup lang="ts">
+import { ref, watch, onUnmounted } from 'vue'
+import { NModal, NCard } from 'naive-ui'
+
+const props = defineProps<{ show: boolean; initialDeviceId: string }>()
+const emit = defineEmits<{
+  'update:show': [value: boolean]
+  captured: [dataUrl: string]
+  deviceChange: [deviceId: string]
+}>()
+
+const videoRef = ref<HTMLVideoElement | null>(null)
+const canvasRef = ref<HTMLCanvasElement | null>(null)
+
+const devices = ref<MediaDeviceInfo[]>([])
+const selectedDeviceId = ref('')
+const capturedDataUrl = ref('')
+const starting = ref(false)
+const errorMessage = ref('')
+
+// 真机实测确认的后置摄像头（朝外拍摄那颗）标签是 "Hy-8M(8079)-Camera"，
+// 用型号里的数字串匹配，不依赖完整标签文案（避免语言环境/固件版本差异导致匹配不上）
+const REAR_CAMERA_LABEL_HINT = '8079'
+
+let stream: MediaStream | null = null
+
+function stopStream(): void {
+  stream?.getTracks().forEach((t) => t.stop())
+  stream = null
+}
+
+/**
+ * 优先按指定 deviceId 打开摄像头；该 id 打不开时退回默认摄像头。
+ * deviceId 在 Web 标准里不保证跨会话稳定，配置里存的是上次运行时的 id，
+ * 换一次会话后经常已经失效——此时 exact 约束会抛 OverconstrainedError，
+ * 不兜底的话整个拍照功能都用不了。
+ */
+async function openStream(deviceId: string): Promise<MediaStream> {
+  if (!deviceId) return navigator.mediaDevices.getUserMedia({ video: true })
+  try {
+    return await navigator.mediaDevices.getUserMedia({ video: { deviceId: { exact: deviceId } } })
+  } catch (e) {
+    console.warn('[camera] 指定的摄像头不可用，回退到默认摄像头：', e)
+    return navigator.mediaDevices.getUserMedia({ video: true })
+  }
+}
+
+async function startStream(deviceId: string): Promise<void> {
+  stopStream()
+  errorMessage.value = ''
+  starting.value = true
+  try {
+    stream = await openStream(deviceId)
+    if (videoRef.value) {
+      videoRef.value.srcObject = stream
+      await videoRef.value.play()
+    }
+    // 记录实际拿到的设备（回退时跟请求的 deviceId 不是同一个），
+    // 后续切换/匹配后置摄像头都以这个真实值为准
+    const actualId = stream.getVideoTracks()[0]?.getSettings().deviceId
+    if (actualId) selectedDeviceId.value = actualId
+    // 拿到权限后 label 才会有值，借机刷新一次设备列表
+    await refreshDevices()
+  } catch (e) {
+    errorMessage.value = `无法打开摄像头：${String(e)}`
+  } finally {
+    starting.value = false
+  }
+}
+
+async function refreshDevices(): Promise<void> {
+  try {
+    const list = await navigator.mediaDevices.enumerateDevices()
+    devices.value = list.filter((d) => d.kind === 'videoinput')
+    if (!selectedDeviceId.value && devices.value.length > 0) {
+      selectedDeviceId.value = devices.value[0].deviceId
+    }
+  } catch {
+    // enumerateDevices 在少数环境下可能不可用，静默忽略，不影响已经拿到的 stream
+  }
+}
+
+function findRearCamera(): MediaDeviceInfo | undefined {
+  return devices.value.find((d) => d.label.includes(REAR_CAMERA_LABEL_HINT))
+}
+
+async function switchDevice(deviceId: string): Promise<void> {
+  selectedDeviceId.value = deviceId
+  emit('deviceChange', deviceId)
+  await startStream(deviceId)
+}
+
+function capture(): void {
+  const video = videoRef.value
+  const canvas = canvasRef.value
+  if (!video || !canvas || video.videoWidth === 0) return
+  canvas.width = video.videoWidth
+  canvas.height = video.videoHeight
+  const ctx = canvas.getContext('2d')
+  if (!ctx) return
+  // 这台设备的摄像头画面是倒置的（见下方 .cam-preview-video 的 CSS 旋转），
+  // 拍出来的照片也要同步转正，不然预览是正的、存下来的图是倒的
+  ctx.save()
+  ctx.translate(canvas.width, canvas.height)
+  ctx.rotate(Math.PI)
+  ctx.drawImage(video, 0, 0, canvas.width, canvas.height)
+  ctx.restore()
+  capturedDataUrl.value = canvas.toDataURL('image/jpeg', 0.85)
+}
+
+function switchCamera(): void {
+  if (devices.value.length < 2) return
+  const idx = devices.value.findIndex((d) => d.deviceId === selectedDeviceId.value)
+  const nextIdx = (idx + 1) % devices.value.length
+  switchDevice(devices.value[nextIdx].deviceId)
+}
+
+function retake(): void {
+  capturedDataUrl.value = ''
+}
+
+function confirm(): void {
+  if (!capturedDataUrl.value) return
+  emit('captured', capturedDataUrl.value)
+  close()
+}
+
+function close(): void {
+  emit('update:show', false)
+}
+
+watch(
+  () => props.show,
+  async (val) => {
+    if (val) {
+      capturedDataUrl.value = ''
+      selectedDeviceId.value = props.initialDeviceId
+      // 摄像头 label 在拿到权限前是空的（浏览器隐私限制），没法在这一步就按标签
+      // 找后置摄像头，先随便开一个拿到权限；startStream 成功后 devices 里才有真实 label。
+      await startStream(props.initialDeviceId)
+      if (!stream) return // 打开失败，错误信息已经显示在弹层里
+      // 配置里没指定过摄像头，或指定的那个已失效（startStream 回退后 selectedDeviceId
+      // 会被改写成实际设备），两种情况都尝试切到实测确认的后置摄像头
+      const usingRequested =
+        !!props.initialDeviceId && selectedDeviceId.value === props.initialDeviceId
+      if (!usingRequested) {
+        const rear = findRearCamera()
+        if (rear && rear.deviceId !== selectedDeviceId.value) {
+          await switchDevice(rear.deviceId)
+        }
+      }
+    } else {
+      stopStream()
+    }
+  }
+)
+
+onUnmounted(() => stopStream())
+</script>
+
+<template>
+  <n-modal :show="show" :mask-closable="false" style="width: 720px; max-width: 92vw;" @update:show="close">
+    <n-card title="拍照提问" closable @close="close">
+      <div class="cam-body">
+        <div v-if="errorMessage" class="cam-error">{{ errorMessage }}</div>
+
+        <div v-show="!capturedDataUrl" class="cam-preview-wrap">
+          <video ref="videoRef" class="cam-preview cam-preview-video" autoplay muted playsinline />
+          <div v-if="starting" class="cam-loading">正在打开摄像头...</div>
+          <button
+            v-if="devices.length > 1"
+            class="cam-switch-btn"
+            title="切换前后摄像头"
+            @click="switchCamera"
+          >
+            <svg width="22" height="22" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2.2" stroke-linecap="round" stroke-linejoin="round">
+              <polyline points="17 1 21 5 17 9"/><path d="M3 11V9a4 4 0 0 1 4-4h14"/><polyline points="7 23 3 19 7 15"/><path d="M21 13v2a4 4 0 0 1-4 4H3"/>
+            </svg>
+          </button>
+        </div>
+
+        <img v-if="capturedDataUrl" :src="capturedDataUrl" class="cam-preview" alt="拍摄预览" />
+
+        <canvas ref="canvasRef" style="display:none" />
+      </div>
+
+      <template #footer>
+        <div class="cam-actions">
+          <template v-if="!capturedDataUrl">
+            <button class="i-btn i-btn-primary i-btn-lg" :disabled="starting || !!errorMessage" @click="capture">拍照</button>
+          </template>
+          <template v-else>
+            <button class="i-btn i-btn-ghost" @click="retake">重拍</button>
+            <button class="i-btn i-btn-primary i-btn-lg" @click="confirm">使用这张</button>
+          </template>
+        </div>
+      </template>
+    </n-card>
+  </n-modal>
+</template>
+
+<style scoped>
+.cam-body { display: flex; flex-direction: column; gap: 14px; }
+.cam-preview-wrap { position: relative; }
+.cam-preview {
+  width: 100%; max-height: 60vh; object-fit: contain;
+  background: #000; border-radius: var(--radius-sm);
+}
+/* 这台设备的摄像头画面是倒置的，转正预览；capture() 里对拍照结果做了同样的旋转 */
+.cam-preview-video { transform: rotate(180deg); }
+.cam-loading {
+  position: absolute; inset: 0; display: flex;
+  align-items: center; justify-content: center;
+  color: #fff; font-size: 15px; background: rgba(0,0,0,.35);
+  border-radius: var(--radius-sm);
+}
+.cam-switch-btn {
+  position: absolute; top: 14px; right: 14px;
+  width: 44px; height: 44px; border-radius: 50%;
+  border: none; background: rgba(0,0,0,.45); color: #fff;
+  display: flex; align-items: center; justify-content: center;
+  cursor: pointer;
+}
+.cam-switch-btn:hover { background: rgba(0,0,0,.65); }
+.cam-error {
+  color: var(--red); background: #FBEAE8;
+  border-radius: var(--radius-sm); padding: 12px 14px; font-size: 15px;
+}
+.cam-actions { display: flex; justify-content: flex-end; gap: 12px; }
+</style>
--- a/src/renderer/src/components/ChatPanel.vue
+++ b/src/renderer/src/components/ChatPanel.vue
@ -1,11 +1,12 @@
 <script setup lang="ts">
-import { ref, computed, onMounted, onUnmounted, nextTick, watch } from 'vue'
+import { ref, computed, onMounted, onUnmounted, nextTick } from 'vue'
 import { NModal, NCard, NScrollbar, useMessage } from 'naive-ui'
 import { marked } from 'marked'
 import { useRagStore } from '../stores/rag'
 import { resolveImagePaths } from '../utils/markdown'
 import { AudioRecorder } from '../utils/audio'
 import { ttsPlayer } from '../utils/tts'
+import CameraCapture from './CameraCapture.vue'
 import type { Chunk } from '../types'

 interface InferStats {
@ -153,19 +154,14 @@ function onAnswerClick(e: MouseEvent): void {
  popupVisible.value = true
 }

-async function sendQuery(): Promise<void> {
-  const q = question.value.trim()
-  if (!q) return
-  if (!store.dbStatus.ready) { message.warning('向量库为空，请先入库文档'); return }
-  if (store.querying) return
-
+// 两种提问方式（文字检索 / 拍照）共用的准备工作：重置状态、打断正在进行的语音输入、停止旧的 TTS 播报
+function beginQuery(): void {
  store.querying = true
  store.resetAnswer()
  inferStats.value = null
+  visionCaption.value = ''
  readyCitations.value = new Set()
  if (hoverTimer) { clearTimeout(hoverTimer); hoverTimer = null }
-  sentQuestion.value = q
-  question.value = ''
  // 立即解除 ASR 监听并清空状态，防止延迟到达的 asr:stopped 通过 syncAsrText() 恢复输入框
  cleanupAsrListeners()
  asrBaseText = ''
@ -185,6 +181,19 @@ async function sendQuery(): Promise<void> {
  startWaitTimer()
  ttsPlayer.stop()
  syncTtsConfig()
+  if (ttsEnabled.value) ttsPlayer.announceStart()
+}
+
+async function sendQuery(): Promise<void> {
+  const q = question.value.trim()
+  if (!q) return
+  if (!store.dbStatus.ready) { message.warning('向量库为空，请先入库文档'); return }
+  if (store.querying) return
+
+  beginQuery()
+  sentQuestion.value = q
+  sentImage.value = ''
+  question.value = ''

  let firstDelta = true

@ -192,13 +201,16 @@ async function sendQuery(): Promise<void> {
  const onContext = (data: unknown) => { store.chunks = (data as { chunks: Chunk[] }).chunks }
  const onDelta = (data: unknown) => {
    if (firstDelta) { firstDelta = false; stopWaitTimer() }
-    store.rawAnswer += (data as { delta: string }).delta
+    const delta = (data as { delta: string }).delta
+    store.rawAnswer += delta
+    if (ttsEnabled.value) ttsPlayer.append(delta)
    scrollToBottom()
  }
  const onDone = (data: unknown) => {
    stopWaitTimer()
    store.querying = false
    queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
    const stats = (data as { stats?: InferStats | null }).stats
    if (stats) inferStats.value = stats
    cleanup()
@ -207,6 +219,7 @@ async function sendQuery(): Promise<void> {
    stopWaitTimer()
    store.querying = false
    queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
    message.error((data as { message: string }).message)
    cleanup()
  }
@ -228,8 +241,102 @@ async function sendQuery(): Promise<void> {
  await window.electronAPI.query({ question: q, systemPrompt: store.config?.rag.systemPrompt ?? '', topK: topK.value })
 }

+// 拍照提问：先让视觉模型快速生成一句图像描述（跟用户问题拼接后去检索知识库），
+// 再走一遍跟文字问答一样的检索+生成，图片本身不会传给最终生成模型
+async function sendVisionQuery(): Promise<void> {
+  if (!pendingImage.value) return
+  if (store.querying) return
+  // 防守拍完照到点发送之间后端被切成纯文本模型的空窗（按钮此时已置灰，但图片还留在输入区）
+  if (!store.visionAvailable) {
+    message.warning('当前生成服务加载的不是多模态模型，无法识别图片')
+    return
+  }
+
+  const q = question.value.trim()
+  const img = pendingImage.value
+
+  beginQuery()
+  sentQuestion.value = q
+  sentImage.value = img
+  question.value = ''
+  pendingImage.value = ''
+
+  let firstDelta = true
+
+  const onStage = (data: unknown) => { queryStage.value = (data as { stage: string }).stage }
+  const onCaption = (data: unknown) => { visionCaption.value = (data as { caption: string }).caption }
+  const onContext = (data: unknown) => { store.chunks = (data as { chunks: Chunk[] }).chunks }
+  const onDelta = (data: unknown) => {
+    if (firstDelta) { firstDelta = false; stopWaitTimer() }
+    const delta = (data as { delta: string }).delta
+    store.rawAnswer += delta
+    if (ttsEnabled.value) ttsPlayer.append(delta)
+    scrollToBottom()
+  }
+  const onDone = (data: unknown) => {
+    stopWaitTimer()
+    store.querying = false
+    queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
+    const stats = (data as { stats?: InferStats | null }).stats
+    if (stats) inferStats.value = stats
+    cleanup()
+  }
+  const onError = (data: unknown) => {
+    stopWaitTimer()
+    store.querying = false
+    queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
+    message.error((data as { message: string }).message)
+    cleanup()
+  }
+
+  function cleanup(): void {
+    window.electronAPI.off('vision-query:stage')
+    window.electronAPI.off('vision-query:caption')
+    window.electronAPI.off('vision-query:context')
+    window.electronAPI.off('vision-query:delta')
+    window.electronAPI.off('vision-query:done')
+    window.electronAPI.off('vision-query:error')
+  }
+
+  window.electronAPI.on('vision-query:stage', onStage)
+  window.electronAPI.on('vision-query:caption', onCaption)
+  window.electronAPI.on('vision-query:context', onContext)
+  window.electronAPI.on('vision-query:delta', onDelta)
+  window.electronAPI.on('vision-query:done', onDone)
+  window.electronAPI.on('vision-query:error', onError)
+
+  await window.electronAPI.visionQuery({ question: q, imageDataUrl: img })
+}
+
+function handleSend(): void {
+  if (pendingImage.value) { sendVisionQuery(); return }
+  sendQuery()
+}
+
 function handleEnter(e: KeyboardEvent): void {
-  if (e.key === 'Enter' && !e.shiftKey) { e.preventDefault(); sendQuery() }
+  if (e.key === 'Enter' && !e.shiftKey) { e.preventDefault(); handleSend() }
+}
+
+// ── 拍照提问 ──
+const cameraOpen = ref(false)
+const pendingImage = ref('')
+const sentImage = ref('')
+const visionCaption = ref('')
+
+function onCaptured(dataUrl: string): void {
+  pendingImage.value = dataUrl
+}
+
+function removePendingImage(): void {
+  pendingImage.value = ''
+}
+
+async function onCameraDeviceChange(deviceId: string): Promise<void> {
+  if (!store.config) return
+  if (store.config.vision.cameraDeviceId === deviceId) return
+  await store.saveConfig({ ...store.config, vision: { ...store.config.vision, cameraDeviceId: deviceId } })
 }

 // ── 语音输入 ──
@ -396,6 +503,18 @@ async function toggleTts(): Promise<void> {
  } else if (store.rawAnswer && !store.querying) {
    // 答案已显示完毕时打开 TTS，立即从头播
    ttsPlayer.speakWithAnnouncement(store.rawAnswer)
+  } else if (store.querying) {
+    // 提问还在流式生成中途打开 TTS：ttsPlayer 内部的 rawText 此前因为
+    // enabled=false 一直没有累积（append() 一开头就 return），直接等后续
+    // onDelta 的话只会从"此刻之后的新增量"开始朗读，把已经显示在屏幕上但
+    // 开 TTS 之前生成的那部分正文漏掉。这里先播"开始播报"提示音（跟正常
+    // 提问开始时一致），再用 append() 把已生成的全文"补喂"一遍，相当于
+    // 告诉播放器"这就是从头到现在的内容"，让它从头开始排队朗读；之后
+    // onDelta 送来的增量会在此基础上正常追加，衔接不会重复。此刻还没有
+    // 任何输出（刚发问、第一个 delta 还没到）时 append 传空字符串会被
+    // append() 内部的 if (!text) return 挡掉，不会误触发。
+    ttsPlayer.announceStart()
+    ttsPlayer.append(store.rawAnswer)
  }
 }

@ -462,13 +581,6 @@ onMounted(() => {
  }
 })

-watch(() => store.querying, (querying) => {
-  // 答案流式生成结束后，整段朗读（先播"开始播报"）
-  if (!querying && ttsEnabled.value && store.rawAnswer) {
-    ttsPlayer.speakWithAnnouncement(store.rawAnswer)
-  }
-})
-
 onUnmounted(() => {
  stopWaitTimer()
  if (hoverTimer) clearTimeout(hoverTimer)
@ -498,10 +610,14 @@ onUnmounted(() => {
          <div class="q-ic">问</div>
          <div>
            <div class="q-label">提问</div>
-            <div class="q-text">{{ sentQuestion }}</div>
+            <img v-if="sentImage" :src="sentImage" class="q-image" alt="提问附带的照片" />
+            <div class="q-text">{{ sentQuestion || (sentImage ? '（未输入文字，根据图片自动识别提问）' : '') }}</div>
          </div>
        </div>

+        <!-- Vision caption：拍照提问识别到的图像描述，识别完就常驻显示 -->
+        <div v-if="visionCaption" class="vision-caption">识别到：{{ visionCaption }}</div>
+
        <!-- Stage indicator -->
        <div v-if="store.querying && !store.rawAnswer" class="stage-row">
          <span class="stage-spinner" />
@ -571,22 +687,44 @@ onUnmounted(() => {
            语音输出
          </button>
        </div>
+        <!-- Camera button：显示与否看用户开关，能否点击看后端当前模型是否支持图像输入 -->
+        <div v-if="store.config?.vision.enabled" class="voice-btn-wrap">
+          <button
+            class="voice-btn"
+            :disabled="!store.visionAvailable"
+            :title="store.visionAvailable ? '拍照提问' : '当前生成服务加载的不是多模态模型，无法识别图片'"
+            @click="cameraOpen = true"
+          >
+            <svg width="26" height="26" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2.2" stroke-linecap="round" stroke-linejoin="round">
+              <path d="M23 19a2 2 0 0 1-2 2H3a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h4l2-3h6l2 3h4a2 2 0 0 1 2 2z"/>
+              <circle cx="12" cy="13" r="4"/>
+            </svg>
+            拍照提问
+          </button>
+        </div>
      </div>

      <!-- Question textarea -->
+      <div class="q-input-wrap">
+        <div v-if="pendingImage" class="pending-image-chip">
+          <img :src="pendingImage" alt="待发送的照片" />
+          <button class="pending-image-remove" title="移除照片" @click="removePendingImage">×</button>
+        </div>
        <textarea
          v-model="question"
          class="q-input"
+          rows="1"
          :disabled="batchRunning"
-        placeholder="输入问题，Enter 发送，Shift+Enter 换行…"
+          :placeholder="pendingImage ? '针对这张照片提问，留空则默认描述图片…' : '输入问题，Enter 发送，Shift+Enter 换行…'"
          @keydown="handleEnter"
        />
+      </div>

      <!-- Send -->
      <button
        class="i-btn i-btn-primary i-btn-lg send-btn"
-        :disabled="store.querying || !question.trim() || batchRunning"
-        @click="sendQuery"
+        :disabled="store.querying || (!question.trim() && !pendingImage) || batchRunning"
+        @click="handleSend"
      >
        <svg width="22" height="22" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2.4" stroke-linecap="round" stroke-linejoin="round">
          <path d="M22 2L11 13"/><path d="M22 2l-7 20-4-9-9-4 20-7z"/>
@ -619,6 +757,14 @@ onUnmounted(() => {
        </n-scrollbar>
      </n-card>
    </n-modal>
+
+    <!-- Camera capture -->
+    <CameraCapture
+      v-model:show="cameraOpen"
+      :initial-device-id="store.config?.vision.cameraDeviceId ?? ''"
+      @captured="onCaptured"
+      @device-change="onCameraDeviceChange"
+    />
  </div>
 </template>

@ -662,6 +808,18 @@ onUnmounted(() => {
 }
 .q-label { font-size: 13px; color: var(--blue-d); font-weight: 700; letter-spacing: .8px; margin-bottom: 3px; }
 .q-text { font-size: 20px; font-weight: 700; line-height: 1.4; color: var(--ink); }
+.q-image {
+  max-width: 240px; max-height: 240px; object-fit: contain;
+  border-radius: 8px; margin-bottom: 10px; display: block;
+  border: 2px solid var(--line);
+}
+
+/* Vision caption */
+.vision-caption {
+  font-size: 15px; color: var(--ink-3);
+  background: var(--panel-2); border-radius: var(--radius-sm);
+  padding: 8px 14px; margin-bottom: 14px;
+}

 /* Stage indicator */
 .stage-row {
@ -750,9 +908,11 @@ onUnmounted(() => {
  display: flex; align-items: flex-end; gap: 14px;
 }

+.q-input-wrap { flex: 1; min-width: 0; height: 96px; position: relative; }
+
 .q-input {
-  flex: 1; min-width: 0;
-  height: 96px;
+  width: 100%; box-sizing: border-box;
+  height: 96px; min-height: 0; max-height: 96px;
  border: 2px solid var(--line-2); border-radius: var(--radius);
  padding: 16px 20px; font-family: inherit;
  font-size: 20px; line-height: 1.5; resize: none;
@ -762,6 +922,26 @@ onUnmounted(() => {
 .q-input:focus { outline: none; border-color: var(--blue); }
 .q-input:disabled { background: var(--panel-2); color: var(--ink-3); }

+.pending-image-chip {
+  position: absolute; left: 14px; bottom: 100%;
+  margin-bottom: 8px;
+  display: flex; align-items: center;
+  border: 2px solid var(--line-2); border-radius: var(--radius-sm);
+  background: var(--panel); padding: 4px;
+  box-shadow: 0 6px 20px rgba(0,0,0,.12);
+}
+.pending-image-chip img {
+  width: 64px; height: 64px; object-fit: cover;
+  border-radius: 6px;
+}
+.pending-image-remove {
+  position: absolute; top: -8px; right: -8px;
+  width: 22px; height: 22px; border-radius: 50%;
+  border: none; background: var(--red); color: #fff;
+  font-size: 15px; line-height: 1; cursor: pointer;
+  display: flex; align-items: center; justify-content: center;
+}
+
 .send-btn { height: 96px; min-width: 150px; }
 .batch-btn { height: 96px; min-width: 130px; }
 .i-btn-success { background: var(--green); color: #fff; box-shadow: 0 2px 0 #0a6238; }
@ -792,15 +972,32 @@ onUnmounted(() => {
  font-weight: 700;
  font-family: inherit;
  transition: all .15s;
+  /* 这三个按钮之前没有 :active 态，点下去没有任何即时反馈。加上即时反馈的同时顺手
+     关掉原生 outline（这是纯触屏界面，不依赖 Tab 键盘导航，不需要保留原生焦点框）。*/
+  outline: none;
 }
-.voice-btn:hover { background: var(--panel-3); }
+/* 真正的"绿框"根因不在 outline/focus，而是 CSS 优先级：.voice-btn:not(:disabled):hover
+   （3 个选择器）比 .voice-btn.on（2 个选择器）优先级更高。触屏点击后没有鼠标可以"移开"，
+   :hover 状态会一直粘在刚点过的按钮上不消失（触屏设备的通病），于是 hover 规则的浅灰
+   background 把 .on 本该铺满的纯绿色背景盖掉了，只剩下没被 hover 碰到的绿色边框还在——
+   看起来就像按钮周围凭空多出一个绿框。真机用 CDP 直接读取点击后的计算样式实锤：
+   className 带 "on"，但 background 实际渲染出的是 --panel-3 的浅灰色，不是 --green。
+   加 :not(.on) 让 hover 规则在"已开启"状态下让位，背景就能正常显示成绿色。 */
+.voice-btn:not(:disabled):not(.on):hover { background: var(--panel-3); }
+.voice-btn:not(:disabled):active { filter: brightness(.92); }
 .voice-btn.on {
  background: var(--green);
  border-color: var(--green);
  color: #fff;
  box-shadow: 0 2px 0 #0a6238;
 }
-.voice-btn:disabled { opacity: .6; cursor: default; }
+.voice-btn:disabled {
+  opacity: .5;
+  cursor: not-allowed;
+  background: var(--panel-3);
+  border-color: var(--line);
+  color: var(--ink-3);
+}
 .voice-spinner {
  width: 22px;
  height: 22px;
--- a/src/renderer/src/components/ServiceControl.vue
+++ b/src/renderer/src/components/ServiceControl.vue
@ -30,21 +30,41 @@ let pollTimer: ReturnType<typeof setInterval> | null = null
 let genSse: EventSource | null = null
 let embSse: EventSource | null = null

+/**
+ * 判断生成服务当前加载的模型能不能吃图片输入。
+ *
+ * 首选依据是模型加载后打印的 `allow_image = 1`，但 er_backend 的日志缓冲只留最近 200 条，
+ * 服务跑一会儿这行就会被推理日志挤掉（实测确认），所以只在还能翻到时采信；翻不到时退回
+ * 看启动命令里有没有 `--mmproj`——这个字段不随日志滚动，是长期可靠的依据。
+ */
+function detectVisionCapability(gen: {
+  status?: string
+  lastCommand?: string
+  logs?: Array<{ text?: string }>
+}): boolean {
+  if (gen?.status !== 'running') return false
+  const logHit = gen.logs?.find((l) => l.text?.includes('allow_image'))
+  if (logHit?.text) return /allow_image\s*=\s*1/.test(logHit.text)
+  return !!gen.lastCommand?.includes('--mmproj')
+}
+
 async function pollStatus() {
  if (!needsService.value) return
  try {
    const res = await fetch(`${ER_BACKEND}/api/status`, { signal: AbortSignal.timeout(2000) })
-    if (!res.ok) { erUp.value = false; return }
+    if (!res.ok) { erUp.value = false; store.visionAvailable = false; return }
    const data = await res.json()
    erUp.value = true
    erGenStatus.value   = data.generate?.status || 'stopped'
    erEmbedStatus.value = data.embed?.status    || 'stopped'
    store.serverState      = { status: erGenStatus.value,   logs: store.serverState.logs }
    store.embedServerState = { status: erEmbedStatus.value, logs: store.embedServerState.logs }
+    store.visionAvailable  = detectVisionCapability(data.generate ?? {})
  } catch {
    erUp.value = false
    erGenStatus.value   = 'stopped'
    erEmbedStatus.value = 'stopped'
+    store.visionAvailable = false
  }
 }

--- a/src/renderer/src/components/SettingsModal.vue
+++ b/src/renderer/src/components/SettingsModal.vue
@ -25,7 +25,8 @@ const form = ref<AppConfig>({
  voice: {
    asr: { enabled: false, executablePath: '', modelDir: '', numThreads: 2, vadSilenceTimeoutMs: 5000, vadEnergyThreshold: 0.005, inputGain: 10, punctuationModelDir: '' },
    tts: { enabled: false, voiceURI: '', pitch: 1, rate: 1, volume: 1 }
-  }
+  },
+  vision: { enabled: false, cameraDeviceId: '' }
 })

 const activeTab = ref<'index' | 'basic' | 'voice' | 'batch' | 'log'>('basic')
@ -175,6 +176,23 @@ async function save(): Promise<void> {
        </div>
      </div>

+      <!-- ── 拍照提问 ── -->
+      <div class="sgroup-title">拍照提问</div>
+      <div class="field">
+        <div class="fl">启用拍照提问</div>
+        <div class="fc">
+          <label class="s-radio" :class="{ on: form.vision.enabled }" @click="form.vision.enabled = true">
+            <span class="rk"></span>开启
+          </label>
+          <label class="s-radio" :class="{ on: !form.vision.enabled }" @click="form.vision.enabled = false">
+            <span class="rk"></span>关闭
+          </label>
+        </div>
+      </div>
+      <p class="s-note" style="padding-left:120px;margin:-6px 0 0;">
+        依赖 er_backend 当前加载的是支持视觉输入的模型（能看到 allow_image=1），否则开启后拍照提问会请求失败。
+      </p>
+
    </div><!-- /基本设置 -->

    <!-- ── 语音输入输出 ── -->
--- a/src/renderer/src/stores/rag.ts
+++ b/src/renderer/src/stores/rag.ts
@ -33,6 +33,11 @@ export const useRagStore = defineStore('rag', () => {
  // 启动时硬件探测结果（null=尚未完成探测）
  const detectedCard = ref<DetectedCard | null>(null)

+  // 生成服务当前加载的模型是否支持图像输入（由 ServiceControl 的状态轮询写入）。
+  // 拍照提问要靠它决定按钮能不能点——后端换成纯文本模型时按钮置灰，
+  // 换回多模态模型后无需重启应用，下一轮轮询就会自动恢复可用。
+  const visionAvailable = ref(false)
+
  // think 标签由 ChatPanel 负责渲染，此处直接透传
  const displayAnswer = computed(() => rawAnswer.value)

@ -83,6 +88,7 @@ export const useRagStore = defineStore('rag', () => {
    embedServerLogs,
    npuStats,
    detectedCard,
+    visionAvailable,
    refreshDbStatus,
    loadConfig,
    saveConfig,
--- a/src/renderer/src/types/index.ts
+++ b/src/renderer/src/types/index.ts
@ -50,6 +50,10 @@ export interface AppConfig {
      volume: number
    }
  }
+  vision: {
+    enabled: boolean
+    cameraDeviceId: string
+  }
 }

 export type DetectedCard = 'er160' | 'er25' | 'none'
@ -113,6 +117,7 @@ declare global {
      selectDirectory: () => Promise<string | null>
      indexDocuments: (payload: { paths: string[]; mode: 'append' | 'rebuild' }) => Promise<void>
      query: (payload: { question: string; systemPrompt: string; topK: number }) => Promise<void>
+      visionQuery: (payload: { question: string; imageDataUrl: string }) => Promise<void>
      getDbStatus: () => Promise<DbStatus>
      getConfig: () => Promise<AppConfig>
      saveConfig: (config: AppConfig) => Promise<void>
--- a/src/renderer/src/utils/tts.ts
+++ b/src/renderer/src/utils/tts.ts
@ -148,13 +148,24 @@ export class TtsPlayer {

    this.rawText += text
    const thinkFree = this.stripThinkContent(this.rawText)
-    const plain = this.markdownToPlain(thinkFree)
+    // 只处理到"安全边界"为止：排除末尾可能还没闭合的 ** 加粗标记。
+    // markdownToPlain 每次都是从头重新解析整段 rawText 的，闭合符号到达前后，
+    // 同一段文字的纯文本渲染结果会不一样（比如未闭合时星号被当普通字符处理，
+    // 闭合后星号被去掉、文字保留）。如果提前把这段还不稳定的文字提交为
+    // lastSpokenPlain，闭合符号一到，plain 文本变化，会被 computePendingDelta
+    // 重新判定成"待朗读"，导致这段文字被朗读两遍。
+    const stableBoundary = this.findStableBoundary(thinkFree)
+    const stableRaw = thinkFree.slice(0, stableBoundary)
+    const plain = this.markdownToPlain(stableRaw)
    const pending = this.computePendingDelta(plain)
    if (!pending) return

-    // 直接用当前未朗读的纯文本替换缓冲区，避免旧 buffer 因格式被二次清洗而变得陈旧/重复
+    // pending 是相对 lastSpokenPlain 的增量（已排除重复），累加进缓冲区而不是替换——
+    // 替换会丢失上一次 append() 里 processBuffer() 还没来得及提取成句子的剩余文本
+    // （比如队列满了暂停提取，或者还没遇到句尾标点），高频小增量调用下会导致正文
+    // 大量丢字，只有 flush() 时残留的最后一小段才会被朗读。
    this.lastSpokenPlain = plain
-    this.buffer = pending
+    this.buffer += pending
    this.recordAppend(pending.length)
    this.processBuffer()
  }
@ -164,6 +175,15 @@ export class TtsPlayer {
   */
  flush(): void {
    if (!this.options.enabled) return
+    // 收尾：答案已经生成完毕，不用再担心格式标记后续会变化，
+    // 把 append() 因 findStableBoundary 搁置的尾部（如收尾正好停在未闭合的 ** 上）也一并处理掉
+    const thinkFree = this.stripThinkContent(this.rawText)
+    const plain = this.markdownToPlain(thinkFree)
+    const pending = this.computePendingDelta(plain)
+    if (pending) {
+      this.lastSpokenPlain = plain
+      this.buffer += pending
+    }
    if (this.buffer.trim()) {
      this.enqueue(this.buffer.trim())
      this.buffer = ''
@ -176,6 +196,17 @@ export class TtsPlayer {
   * 分段规则："。"、"；"、"！"、"？" 后长停顿，"、"、"：" 后短停顿（约 0.2s~0.3s），
   * 每段一行发给主进程，由主进程统一合成并在段间插入对应时长的静音。
   */
+  /**
+   * 播报"开始播报"提示音，用在流式问答开始时（配合 append()/flush()）。
+   * 只入队播放，不碰 rawText/buffer 等流式缓冲区状态，调用前应已经
+   * 通过 stop() 清空过一轮的状态。
+   */
+  announceStart(): void {
+    if (!this.options.enabled) return
+    this.introSpoken = true
+    this.enqueue('开始播报')
+  }
+
  speakWithAnnouncement(rawText: string): void {
    if (!this.options.enabled) return
    const plain = this.stripThinkAndMarkdown(rawText)
@ -328,6 +359,27 @@ export class TtsPlayer {
   * 用“后缀-前缀对齐”计算真正新增的纯文本。
   * 当 cleanMarkdown/marked 把 HTML 实体或格式符号压缩时，按内容对齐可避免丢字或重复。
   */
+  /**
+   * 找到文本里可以安全处理的边界，排除末尾可能还没闭合的 ** 加粗标记
+   * （出现次数为奇数，说明最后一个 ** 还没等到它的另一半）。
+   * 只处理 ** 是因为这是目前唯一被实测复现"闭合前后纯文本渲染不一致"问题的标记；
+   * 其它行内标记（*斜体*、`代码`、~~删除线~~）出现频率低很多，先不处理。
+   */
+  private findStableBoundary(text: string): number {
+    let count = 0
+    let lastUnclosedIndex = -1
+    let from = 0
+    while (true) {
+      const found = text.indexOf('**', from)
+      if (found === -1) break
+      count++
+      lastUnclosedIndex = found
+      from = found + 2
+    }
+    if (count % 2 === 1) return lastUnclosedIndex
+    return text.length
+  }
+
  private computePendingDelta(newPlain: string): string {
    const prev = this.decodeHtmlEntities(this.lastSpokenPlain)
    if (!prev) return newPlain