ChromaDB 文档向量检索

解决什么问题

本地文档库常卡在“找得准”和“重启还在”两件事上：关键词检索不理解同义表达，纯向量检索又可能漏掉专有名词；文档一旦重新处理，内存里的向量会丢失。这个技能把 Word、Markdown、PDF、TXT 文档转成可检索的向量库，面向语义搜索，而不是聊天记忆系统。

技能如何工作

它按以下链路运行：

• 读取与分块：解析 .docx、.md、.pdf、.txt，按中文句号等边界切句，默认每块约 200 字符，避免把完整语义切碎。
• 向量化：默认使用无依赖的 MD5 哈希模拟生成 384 维向量，便于快速跑通；也可切换到 paraphrase-multilingual-MiniLM-L12-v2，获得多语言语义表示。
• 检索：通过 search_vectors(query_text, top_k) 做余弦相似度召回，可设置阈值；v3 增加 LRU 查询缓存和 BM25 + 向量 混合检索，用 alpha 调节关键词与语义权重。
• 管理：提供 vectorize_file、get_collection_stats、clear_collection，数据自动保存到 chroma_data，重启后可恢复。

边界与注意点

它适合文档知识检索，不适合直接作为对话状态管理。真实语义向量需安装 sentence-transformers，各文件格式还需对应解析库；大文件建议分批入库，文档量大时可调整 chunk_size，让召回在精度与覆盖之间取得平衡。