1fdbc7353f
补充 withToneHint() 的插入位置问题：追加在提示词末尾会让这条本该 "仅在没有足够信息时才用"的条件引导，变成模型倾向主动找机会使用的 独立指令，真机复测连续3次有1次把有效答案误判成"查不到"。记录修复 方式（嵌入原条件分句内部）和验证方法论的教训（测试必须走完整调用链， 不能绕开直接测生成接口）。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_01QeoAy5KmkHuKWHAktpEsaN
elec_rag_ui — 智能电子手册前端
基于 Electron + Vue3 + TypeScript + LanceDB 构建的本地化 RAG（检索增强生成）桌面应用。
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（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
- UI：Naive UI（弹窗/通知）+ 自定义工业风 CSS
- 状态管理：Pinia
- 向量数据库：LanceDB（嵌入式，无需额外服务）
- 本地向量化：
@huggingface/transformers+onnxruntime-node - 生成引擎：llama.cpp server（通过 er_backend 管理）
- Markdown 渲染：marked
支持硬件
| 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
elec_rag_ui/
├── src/
│ ├── main/ # Electron 主进程
│ │ ├── index.ts # 入口：全屏启动、菜单禁用、信号处理
│ │ ├── config.ts # 配置读写（userData/config.json）
│ │ ├── ipc/ # IPC 处理器
│ │ └── rag/ # RAG 核心逻辑
│ ├── preload/index.ts # contextBridge
│ ├── renderer/ # Vue3 前端
│ │ └── src/
│ │ ├── App.vue # 根布局（顶栏 + 主区）
│ │ ├── 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），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
├── package.json
├── electron-builder.config.ts
└── electron.vite.config.ts
依赖：er_backend
本应用依赖 er_backend（端口 17700）管理 llama-server 推理服务进程。启动前请确保 er_backend 已运行：
# PAD 上
cd /opt/er-backend
nohup ./node/node manager/index.js &
# 或通过 systemd（deb 安装后自动配置）
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：
- 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。 - 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：
git lfs install
GIT_SSL_NO_VERIFY=true git lfs pull
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， 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
npm install
npm run dev:linux # Linux（--no-sandbox，开发专用）
开发模式下需要设置
DISPLAY环境变量（有图形界面时自动可用）。
打包
npm run package:kylin # Linux x64，产出 AppImage + .deb
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/elec_rag_ui/config.json |
| 向量数据库 | ~/.config/elec_rag_ui/lancedb/ |
许可证
MIT License