游戏攻略智能问答应用

01

项目概览

这个应用不是把模型接口接到输入框上，而是围绕“当前知识库”组织本地问答：左侧管理知识源，右侧只检索当前 collection，避免不同游戏和文档资料互相污染。

核心目标

把灰机 Wiki 游戏内容和用户上传攻略资料整理成本地知识库，让用户可以围绕一个游戏、一个版本或一个玩法专题提问，并在回答后查看来源。

项目重点

基于 Flet 实现 MediaWiki、文档、爬虫占位三类入口和右侧会话区。
用 ChromaDB 为不同游戏或自定义文档库建立独立 collection。
将知识库元数据、文档记录、聊天历史和引用来源持久化到 SQLite。
对模型错误、加载失败、删除操作和批量写入做可恢复的状态处理。

02

知识库管理

同一套知识库管理模型同时支持灰机 Wiki 游戏库和用户自定义攻略库。MediaWiki 负责发现游戏与攻略页，自定义文档入口负责收纳 `.txt` / PDF，并共同写入隔离的本地 collection。

自定义文档知识库页，展示新建知识库、批量上传文件和文件列表 — 文档入口支持新建知识库、批量上传 .txt / PDF、展开文件列表和删除指定文件。

游戏 Wiki 接入

从灰机 Wiki 首页数据解析游戏条目，只加载目标分类下的游戏，并同步图标、站点介绍与候选攻略页面内容。

自定义资料接入

用户可以按游戏、版本、Boss、地图或玩法专题建立知识库，通过文件级与 chunk 级 SHA256 去重，减少重复上传造成的无效向量写入。

03

加载与状态保护

知识库加载和删除都不是瞬时操作。页面通过确认弹窗、进度提示、完成反馈和失败回滚，把长耗时索引过程变成用户可理解、系统可恢复的状态变化。

确认加载弹窗，询问是否加载指定 Wiki 知识库 — 加载前先确认，避免误触发 Wiki 拉取和 embedding 写入。

加载进度提示，显示正在发现页面、清洗分块并写入本地向量库 — 加载中提示正在发现页面、清洗分块并写入本地向量库。

加载完成状态，显示已索引 40 个页面和 68 个文本块 — 完成后回到已加载列表，并显示索引页面数和文本块数量。

失败回滚

加载失败时会删除对应 collection 数据，避免半成品向量残留；遇到灰机 Wiki 访问防护时，界面返回可读的用户提示。

删除清理

删除知识库时同步清理 SQLite 元数据、文档记录、聊天历史和 ChromaDB collection，让本地数据状态保持一致。

04

切片规则

为了让攻略内容既能保留上下文，又能适配 embedding 与检索成本，项目没有直接把整页正文丢进模型，而是自研轻量切片和批量写入规则。

600-1000

正文 chunk 字符数

攻略正文默认按段落边界合并为 600-1000 字符的 chunk，避免碎片太短导致语义不足。

1000 + 150

超长段落滑窗

超长段落使用 1000 字符滑窗，并保留 150 字符 overlap，降低上下文断裂风险。

40

单个 Wiki 最大加载量

单个 Wiki 游戏默认最多发现和加载 40 个候选攻略页面，控制首次索引时间和模型额度消耗。

10

Embedding 写入批次

Embedding 按 10 条一批写入，适配部分 OpenAI-compatible API 的 batch size 限制。

检索链路

MediaWiki 页面或用户文档经过正文清洗、chunk 切分、SHA256 指纹、embedding 和 ChromaDB 入库后，问答时按当前 collection 检索 top-k 片段，再把命中的上下文交给 LLM 生成回答。

05

RAG 问答与引用追踪

回答结果会保留“参考资料”折叠面板，把命中的 Wiki 页面、URL、文档名或段落定位展示给用户。引用会持久化到 SQLite，切换页面后仍然可以恢复查看。

引用追踪截图，回答下方展开参考资料列表，显示来源页面和 URL — 引用追踪让“爪镜怎么获得”这类答案可以回到具体 Wiki 页面，而不是只给出不可验证结论。

结果可信度

系统会把检索命中的 metadata 作为 citations 保存下来，回答渲染完成后在参考资料中展示来源标题、URL、文件名或段落标识。

边界提示

当相似度不足或当前知识库缺少资料时，系统返回无参考资料的提示，引导用户补充文档或换一个知识库继续提问。

06

项目收获

这个项目的价值不止是调通模型问答，而是把 RAG 放进一个能被普通用户操作的本地应用里，并处理知识源、状态、引用和异常边界。

我通过这个项目补强了什么

完整实现了从文档清洗、chunk 切分、embedding、向量检索、Prompt 构建到引用追踪的轻量 RAG Pipeline。
理解了 RAG 应用不能只看回答效果，还要处理知识库隔离、数据去重、来源恢复和相似度阈值。
在本地 GUI 场景中处理了 SQLite 跨线程访问、Embedding batch 限制、ChromaDB 删除残留、LLM 502 友好提示等稳定性问题。
编写 80+ 条 pytest，覆盖存储、检索、MediaWiki 接入、文档索引和 Flet 界面控制器行为。
把“能回答”推进到“可管理、可恢复、可追踪”：用户能加载资料、删除资料、恢复历史，并判断答案从哪里来。