企业官网建设流程全解析

1. 项目概述：Memorix，一个被低估的本地知识库构建利器

最近在折腾个人知识管理和AI应用落地的朋友，可能都绕不开一个核心需求：如何高效地利用本地文档，构建一个能和AI顺畅对话的“第二大脑”？市面上工具很多，从需要复杂配置的LangChain全家桶，到各种云端SaaS服务，选择不少，但坑也多。要么部署繁琐，对新手极不友好；要么数据要上传云端，隐私和安全让人心里打鼓；要么就是功能太单一，只能做个简单的问答，没法深度挖掘文档价值。

今天要聊的这个项目——Memorix，就是我在尝试了不下十几种方案后，发现的一个“宝藏级”开源工具。它来自GitHub上的AVIDS2/memorix仓库。乍一看，这个名字和简介可能并不起眼，但当你真正把它跑起来，用它来处理你的PDF、Word、TXT文档，并和搭载了Ollama或OpenAI API的大模型进行对话时，你会惊讶于它的简洁、高效和“刚刚好”的完成度。它不像一些明星项目那样追求大而全，而是精准地瞄准了“本地化、易部署、开箱即用”这个痛点，用最少的依赖和配置，实现了一个功能完备的本地知识库问答系统。

简单来说，Memorix就是一个后端服务。你给它一堆文档，它利用嵌入模型（Embedding Model）把文档内容“切片”并转换成向量，存进本地的向量数据库（比如Chroma）。当你提问时，它先把你的问题也转换成向量，然后去数据库里找出最相关的文档片段（这个过程叫“检索增强生成”，RAG的核心），最后把这些片段和你的问题一起“喂”给大语言模型，让模型基于这些准确的上下文生成回答。整个过程，你的文档、向量数据、对话记录，全都留在你自己的机器上。

它特别适合这几类人：一是个人开发者或小团队，想快速验证一个基于私有文档的AI助手原型，又不想在基础设施上耗费太多精力；二是对数据隐私有强需求的用户，比如律师、医生、研究员，处理敏感合同、病历或论文；三是像我这样的技术爱好者，喜欢折腾但讨厌复杂，希望有一个清晰、稳定、可掌控的工具栈。接下来，我就结合自己从零部署、调试到实际使用的全过程，把Memorix里里外外拆解一遍，分享其中关键的技术选型逻辑、实操步骤以及我踩过的那些坑。

2. 核心架构与设计思路拆解

Memorix的成功，很大程度上源于其清晰、务实的技术架构设计。它没有重新发明轮子，而是巧妙地组合了几个经过市场检验的优秀开源组件，形成了一个松耦合但高效协同的系统。理解这个架构，不仅能帮你更好地使用它，也能让你在将来需要定制或扩展时，知道该从哪里下手。

2.1 技术栈选型：为什么是它们？

Memorix的核心技术栈可以概括为：FastAPI + Chroma + Sentence Transformers + (Ollama/OpenAI)。我们来逐一拆解每个选择的背后考量。

1. 后端框架：FastAPIFastAPI是一个现代、快速（高性能）的Python Web框架。Memorix选择它，我认为主要基于三点：一是性能，基于Starlette和Pydantic，异步支持好，处理IO密集型的AI请求（如模型推理、向量检索）时优势明显；二是开发效率，自动生成交互式API文档（Swagger UI），这对于需要前后端对接或供其他系统调用的服务来说，调试和集成非常方便；三是类型安全，利用Python类型提示，配合Pydantic进行数据验证，减少了运行时错误，让代码更健壮。对于一个旨在提供稳定API服务的项目，FastAPI是比传统Flask或Django更“时髦”和合适的选择。

2. 向量数据库：Chroma向量数据库是RAG系统的“记忆中枢”。Memorix选择了Chroma，一个专注于嵌入向量的轻量级数据库。它的最大优势就是简单。它既可以作为内存数据库快速启动用于测试，也可以持久化到磁盘。它的Python客户端API设计得非常直观，几行代码就能完成集合创建、数据插入和相似性搜索。对于Memorix这样一个定位在“轻量、易用”的项目来说，Chroma避免了像Milvus、Weaviate这类更重型向量数据库的复杂部署和运维，降低了用户的使用门槛。而且，Chroma本身也支持多种嵌入模型和距离计算方式，灵活性足够。

3. 嵌入模型：Sentence Transformers这是将文本转换为向量的关键。Memorix默认使用sentence-transformers库，并通常会选用像all-MiniLM-L6-v2这样的模型。这个选择非常务实：all-MiniLM-L6-v2模型体积小（约80MB），速度快，并且在通用语义相似度任务上表现相当不错。它平衡了性能与资源消耗。对于本地部署，动辄几个G的大型嵌入模型是不现实的。这个轻量级模型确保了在普通消费级硬件（甚至没有独立GPU）上也能流畅运行。同时，sentence-transformers库封装了Hugging Face Transformers，使得切换其他嵌入模型（如多语言模型、领域专用模型）变得非常容易，为后续优化留出了空间。

4. 大语言模型：Ollama 与 OpenAI API 双支持这是Memorix设计上的一个亮点，提供了本地和云端两种模式。

• Ollama 本地模式：通过集成Ollama，Memorix可以直接调用本地运行的大模型，如Llama 2、Mistral、Gemma等。这实现了完全端到端的本地化，数据不出局域网，隐私性最高，且没有API调用费用。适合网络环境受限或对成本敏感的场景。
• OpenAI API 云端模式：同时，它也支持接入OpenAI的GPT系列模型。这对于追求更高回答质量、更强大推理能力的场景非常有用。用户可以根据任务需求灵活切换。这种双模式支持极大地扩展了Memorix的适用场景。

5. 前端：可选的Streamlit界面虽然Memorix的核心是后端API，但项目也提供了一个基于Streamlit的简单Web界面。Streamlit是快速构建数据科学Web应用的利器。这个前端不是必须的，但它让不熟悉API调用的用户也能通过浏览器直接上传文档、进行问答，大大提升了易用性。你可以把它看作一个“官方演示客户端”，你也可以基于Memorix提供的API，开发自己的前端（如Vue/React应用、微信小程序、桌面应用等）。

注意：这个架构是典型的“检索增强生成”（RAG）流水线。它的设计哲学是“模块化”，每个组件都可以被替换。比如，你可以把Chroma换成Qdrant，把sentence-transformers换成OpenAI的text-embedding-3-small，或者把Ollama换成vLLM等本地推理服务器。Memorix提供了一个优秀、可工作的默认配置。

2.2 核心工作流程解析

理解了组件，我们再看它们是如何协同工作的。一次完整的问答，背后经历了以下几个关键阶段：

1. 文档加载与预处理：用户上传文档（PDF、DOCX、TXT等）。Memorix使用像PyPDF2、python-docx这样的库提取原始文本。然后，进行关键的文本分割。它不会把整个文档扔进去，而是按一定长度（如500字符）和重叠区间（如50字符）将文本切割成一个个“片段”。重叠是为了防止一个完整的句子或概念被生硬地切断，确保检索时上下文的连贯性。

2. 向量化与存储：每个文本片段通过sentence-transformers嵌入模型，被转换成一个高维向量（例如384维）。这个向量在数学上表征了该片段的语义信息。然后，向量和对应的原始文本片段、元数据（如来源文件名、页码）一起，被存储到Chroma数据库的一个特定“集合”中。

3. 问题检索：当用户提出一个问题时，Memorix首先用同样的嵌入模型将问题也转换为一个向量。接着，在Chroma数据库中执行相似性搜索（通常使用余弦相似度）。计算问题向量与所有存储片段向量的相似度，返回最相似的K个片段（例如top-4）。这K个片段就是与问题最相关的“证据”或“上下文”。

4. 提示构建与生成：Memorix会精心构建一个“提示”（Prompt），通常包含以下部分：

   • 系统指令：告诉模型的角色和任务（例如：“你是一个基于给定文档回答问题的助手。”）。
   • 检索到的上下文：将上一步得到的K个文本片段，清晰地进行标注和拼接。
   • 用户问题：原始问题。
   • 回答要求：指示模型仅基于上下文回答，如果上下文不包含相关信息，就诚实地说“不知道”。 这个完整的提示会被发送给配置好的LLM（本地Ollama或云端OpenAI）。

5. 响应返回：LLM基于提示生成回答，Memorix再将这个回答返回给用户。同时，为了可追溯，这次问答的日志（问题、检索到的上下文、回答）通常会被记录下来。

整个流程，从文档入库到智能问答，形成了一个闭环。Memorix的价值就在于，它把这个复杂的流水线封装成了一个简单的服务，你只需要关心你的文档和问题，背后的脏活累活它都处理好了。

3. 从零开始：环境部署与配置实操

理论讲得再多，不如亲手搭一遍。下面我就以一台干净的Ubuntu 22.04服务器（或WSL2环境）为例，带你一步步把Memorix跑起来。我会详细解释每一步的命令和可能遇到的问题。

3.1 基础环境准备

首先，确保你的系统有Python 3.9或更高版本。Memorix作为一个Python项目，依赖管理清晰。

# 1. 更新系统包并安装基础编译工具（有些Python包需要编译） sudo apt update && sudo apt upgrade -y sudo apt install -y python3-pip python3-venv git build-essential # 2. 克隆Memorix仓库 git clone https://github.com/AVIDS2/memorix.git cd memorix # 3. 创建并激活Python虚拟环境（强烈推荐，避免污染系统环境） python3 -m venv venv source venv/bin/activate # Linux/macOS # 如果是Windows，命令是：venv\Scripts\activate # 看到命令行提示符前有 (venv) 字样，说明激活成功

3.2 依赖安装与配置

Memorix使用requirements.txt文件管理依赖。安装过程可能会因为网络或系统环境遇到一些包编译问题。

# 安装核心依赖 pip install -r requirements.txt

常见问题与解决：

• ERROR: Failed building wheel for XXX：这通常是因为缺少某些C/C++编译依赖。对于sentence-transformers、chromadb等包，可能需要g++、cmake。确保你已经执行了上一步的build-essential安装。如果还报错，可以尝试先升级pip和setuptools：pip install --upgrade pip setuptools wheel。
• 下载嵌入模型慢：sentence-transformers在首次运行时会自动从Hugging Face Hub下载模型。如果网络不畅，可以设置镜像或提前下载。

  # 设置环境变量使用国内镜像（如适用） export HF_ENDPOINT=https://hf-mirror.com # 或者，提前下载模型到本地目录 python -c "from sentence_transformers import SentenceTransformer; model = SentenceTransformer('all-MiniLM-L6-v2')"

安装完成后，需要配置Memorix。核心配置文件通常是项目根目录下的.env文件或通过环境变量设置。你需要关注以下几个关键配置：

# 复制示例配置文件（如果项目提供） cp .env.example .env # 然后编辑 .env 文件

主要配置项包括：

• EMBEDDING_MODEL: 嵌入模型名称，默认all-MiniLM-L6-v2一般不用改。
• CHROMA_PERSIST_DIRECTORY: Chroma数据库持久化目录，例如./chroma_db，这样数据重启后不会丢失。
• LLM_PROVIDER: 选择大模型提供商，可选ollama或openai。
• 如果选ollama：
  • OLLAMA_BASE_URL: Ollama服务地址，默认http://localhost:11434。
  • OLLAMA_MODEL: 要使用的Ollama模型名，如llama2:7b、mistral:7b。你需要先在本地Ollama中拉取并运行对应模型。
• 如果选openai：
  • OPENAI_API_KEY: 你的OpenAI API密钥。
  • OPENAI_MODEL: 模型名，如gpt-3.5-turbo。
• DOCUMENT_PROCESSOR_CHUNK_SIZE和DOCUMENT_PROCESSOR_CHUNK_OVERLAP: 文本分割的大小和重叠长度，可以根据你的文档类型微调。

3.3 启动Memorix服务

配置好后，启动服务就很简单了。Memorix使用FastAPI，通常通过uvicorn启动。

# 在项目根目录下，确保虚拟环境已激活 uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

• app.main:app：告诉uvicorn应用对象的位置。
• --host 0.0.0.0：允许从网络其他位置访问（如果只在本地，可用127.0.0.1）。
• --port 8000：指定服务端口。
• --reload：开发模式，代码修改后自动重启，生产环境应移除。

看到类似Uvicorn running on http://0.0.0.0:8000的输出，说明服务启动成功。

访问API文档：打开浏览器，访问http://你的服务器IP:8000/docs，你会看到FastAPI自动生成的交互式Swagger UI。这里可以查看所有可用的API端点（如/upload/,/chat/）并直接进行测试。这是FastAPI带来的巨大便利。

3.4 （可选）启动Streamlit前端

如果你想要一个图形界面，可以启动项目提供的Streamlit应用。

# 通常在一个新的终端标签页中，同样先激活虚拟环境 source venv/bin/activate cd memorix # 进入项目目录 streamlit run frontend/streamlit_app.py # 路径可能根据项目结构有所不同，请查看项目README

然后访问http://localhost:8501就能看到上传和聊天界面了。

4. 核心功能深度使用与调优

服务跑起来只是第一步，要让Memorix真正成为得力助手，还需要深入理解其核心功能并针对自己的需求进行调优。

4.1 文档处理：不仅仅是上传

通过API或前端上传文档后，Memorix在后台进行了一系列操作。理解这个过程对解决后续“检索不准”的问题至关重要。

1. 文本提取： Memorix依赖底层库（如PyPDF2、pdfplumber、python-docx）来提取文本。不同的库对复杂PDF（特别是扫描件、特殊排版）的支持度不同。如果发现提取的文本乱码或缺失，可能需要：

• 对于PDF，尝试在配置中指定使用pdfplumber（如果支持），它通常比PyPDF2更强大。
• 对于扫描件PDF，Memorix本身不具备OCR功能。你需要预先使用OCR工具（如Tesseract）将PDF转换为可搜索的文本PDF，再进行处理。这是一个常见的预处理步骤。

2. 文本分割（Chunking）： 这是RAG系统中对效果影响最大的环节之一。Memorix默认的块大小和重叠可能不适合你的文档。

• 块大小（Chunk Size）：决定了每个向量所代表的文本长度。太小（如100字），可能丢失上下文，模型看不到完整信息；太大（如2000字），向量表征可能模糊，检索精度下降，且会消耗更多模型上下文长度。对于技术文档、论文，500-1000字符可能比较合适；对于对话记录、短新闻，可以更小。
• 重叠（Chunk Overlap）：为了保持语义完整性，相邻块之间需要重叠。通常设置为块大小的10%-20%。例如，块大小500，重叠50-100。
  • 如何调整：你需要找到Memorix中处理文本分割的代码部分（通常在document_processor.py或类似文件中），修改chunk_size和chunk_overlap参数。修改后，需要重新创建向量数据库（即删除旧的chroma_db目录，重新上传文档）。

3. 元数据关联： 除了文本内容，为每个块附加元数据（如source文件名、page页码）非常重要。这样，当模型给出回答时，你可以追溯到具体的出处。Memorix和Chroma默认会处理这些。在前端或API响应中，留意是否有返回来源信息。

4.2 对话与检索：提升问答质量的关键

问答接口是核心。除了简单的提问，你可以通过一些技巧提升交互质量。

1. 利用API进行编程化交互： 比起前端，直接调用API可以集成到你的自动化流程中。例如，使用Python的requests库：

import requests # 1. 上传文档 upload_url = "http://localhost:8000/upload" files = {'file': open('你的文档.pdf', 'rb')} response = requests.post(upload_url, files=files) print(response.json()) # 2. 进行问答 chat_url = "http://localhost:8000/chat" payload = { "question": "Memorix项目的主要技术栈是什么？", "history": [] # 可以传入历史对话记录，实现多轮对话 } headers = {'Content-Type': 'application/json'} response = requests.post(chat_url, json=payload, headers=headers) answer_data = response.json() print("回答：", answer_data.get("answer")) print("来源：", answer_data.get("sources")) # 查看检索到的片段来源

2. 检索参数调优： 在/chat接口的请求体中，或许可以支持（或需要你修改代码以支持）额外的检索参数：

• top_k：控制返回多少个最相关的文本片段。默认可能是4。对于复杂问题，可以增加到5-8，给模型更多上下文；对于简单问题，可以减少到2-3，加快速度并减少无关信息干扰。
• score_threshold：相似度分数阈值。只返回相似度高于此阈值的片段，可以过滤掉一些似是而非的垃圾结果。这个需要根据你的嵌入模型和数据进行实验。

3. 提示工程（Prompt Engineering）： Memorix内置的提示模板可能比较简单。你可以找到生成提示的代码部分（通常在调用LLM之前），优化系统指令和用户提示。例如：

• 强化角色：“你是一个严谨的技术专家，严格根据提供的上下文回答问题。”
• 格式化要求：“请用分点列表的形式总结。”
• 拒绝策略：“如果上下文信息不足以回答问题，请明确说‘根据已有信息，我无法回答这个问题’，不要编造信息。” 一个更强大的提示能显著提升回答的准确性和规范性。

4.3 模型选择与切换：本地与云端的权衡

Memorix的双模型支持让你可以灵活选择。

1. 使用Ollama本地模型：

• 优势：完全免费、数据隐私、离线可用、可定制微调。
• 劣势：回答质量取决于本地模型能力，7B/13B参数模型在复杂推理、代码生成上可能不如GPT-4；需要消耗本地计算资源（CPU/GPU）。
• 实操：首先确保已安装并运行Ollama。然后在Ollama中拉取模型：ollama pull llama2:7b。启动模型：ollama run llama2:7b（它会运行在11434端口）。最后，将Memorix配置中的LLM_PROVIDER设为ollama，并指定OLLAMA_MODEL=llama2:7b。

2. 使用OpenAI API：

• 优势：回答质量高、稳定、省心（无需管理模型）。
• 劣势：产生API费用、数据需传输到OpenAI服务器（需注意隐私条款）、依赖网络。
• 实操：在OpenAI平台获取API Key。将Memorix配置中的LLM_PROVIDER设为openai，设置OPENAI_API_KEY和OPENAI_MODEL（如gpt-3.5-turbo）。

个人心得：我通常采用混合策略。在内部网络、处理高度敏感数据、或进行简单事实性问答时，使用本地Ollama（如Mistral 7B）。当需要高质量的分析、总结、创作，且文档脱敏后，切换到GPT-3.5/4。Memorix的架构让这种切换只需改一下配置，非常方便。

5. 进阶技巧与性能优化

当基本功能满足后，你可能会希望Memorix更强大、更高效。这里分享一些进阶思路。

5.1 嵌入模型升级

默认的all-MiniLM-L6-v2是个很好的起点，但你可以根据需求更换。

• 追求更高精度：可以尝试all-mpnet-base-v2，它比MiniLM更大，在MTEB基准测试上表现更好，但速度稍慢，向量维度是768。
• 处理多语言文档：使用多语言模型，如paraphrase-multilingual-MiniLM-L12-v2。
• 使用OpenAI嵌入：如果你已使用OpenAI API，可以考虑用text-embedding-3-small或text-embedding-3-large作为嵌入模型，可能获得更好的检索对齐（因为问答模型也是OpenAI的）。但这会增加API调用成本和延迟。

更换嵌入模型后，必须重新生成整个向量库，因为不同模型生成的向量空间不同，无法直接混合使用。

5.2 向量数据库的持久化与迁移

Chroma的持久化很简单，只需在配置中指定一个目录。但如果你需要迁移或备份，直接复制整个chroma_db目录到新环境即可。注意，新环境需要安装相同版本的Chroma和嵌入模型，否则可能无法读取。

对于生产环境，可以考虑将Chroma替换为支持分布式和持久化更强的Qdrant或Weaviate，但这需要修改Memorix中与向量数据库交互的代码模块。

5.3 实现对话历史与上下文管理

基础的Memorix可能只支持单轮问答。要实现多轮对话（让AI记住之前的对话内容），你需要：

1. 在API层面：修改/chat接口，接收一个history参数，这是一个包含之前轮次对话（用户问题、AI回答）的列表。
2. 在提示构建层面：将history中的内容以“用户：... 助手：...”的格式，添加到当前问题的上下文中。注意，要管理历史对话的总长度，避免超出模型的上下文窗口。
3. 在存储层面：可以考虑将对话会话（Session）和消息记录存入一个简单的SQLite或SQL数据库，而不仅仅是内存。

这是一个常见的功能增强点，能极大提升用户体验。

5.4 性能监控与日志

对于长期运行的服务，加入监控和日志很重要。

• 日志：利用Python的logging模块，在关键步骤（文档上传、嵌入生成、检索、LLM调用）记录INFO或DEBUG级别日志，方便排查问题。
• 性能指标：可以记录每个请求的响应时间，特别是嵌入生成时间和LLM调用时间。这有助于你发现瓶颈。
• 健康检查：为FastAPI添加一个/health端点，返回服务状态（如数据库连接、模型加载情况），便于容器编排工具（如Docker, Kubernetes）进行健康检查。

6. 常见问题排查与实战心得

在实际部署和使用中，我遇到并解决了不少问题。这里汇总一下，希望能帮你少走弯路。

6.1 部署与启动问题

Q1: 启动服务时提示端口被占用（Address already in use）？A1: 这意味着8000端口已被其他程序使用。你可以：

• 杀死占用端口的进程：lsof -ti:8000 | xargs kill -9(Linux/macOS)。
• 或者，修改Memorix启动命令，使用其他端口，如--port 8001。

Q2: 上传文档后，问答时返回“找不到相关上下文”或回答空洞？A2: 这是最典型的问题，大概率是检索环节出了问题。

• 首先检查文档是否真的成功处理：查看服务日志，确认文档被加载、分割、嵌入。检查Chroma数据库中是否有了对应的集合（collection）。
• 检查嵌入模型是否一致：确保问答时使用的嵌入模型与建库时是同一个。如果中途换了模型，必须重建向量库。
• 调整文本分割策略：默认的块大小可能不适合你的文档。尝试减小chunk_size，增加chunk_overlap，然后重新上传文档。
• 尝试更具体的问题：有时问题太宽泛，检索到的片段不集中。尝试问得更具体，包含文档中的关键词。

Q3: 使用Ollama时，Memorix报错连接失败？A3:

• 确认Ollama服务正在运行：curl http://localhost:11434/api/tags，应该返回已拉取的模型列表。
• 确认Memorix配置中的OLLAMA_BASE_URL正确。
• 确认OLLAMA_MODEL的名称与Ollama中运行的模型完全一致（包括标签，如llama2:7b）。
• 如果Ollama和Memorix不在同一台机器，需要配置Ollama允许远程连接（通过环境变量OLLAMA_HOST），并确保防火墙开放端口。

6.2 功能与效果问题

Q4: 回答看起来是“胡编乱造”的？A4: 这被称为“幻觉”（Hallucination），是LLM的固有问题，在RAG中通常因为检索到的上下文不足或无关导致。

• 增加top_k：让模型看到更多上下文片段。
• 优化提示词：在系统指令中强烈要求模型“严格基于提供的上下文回答”，并明确说明“如果上下文没有相关信息，请回答‘我不知道’”。
• 检查检索质量：在返回的答案中，Memorix应该同时返回检索到的源文本片段。仔细检查这些片段是否真的与问题相关。如果不相关，回到Q2检查检索环节。

Q5: 处理大量文档时速度很慢？A5: 瓶颈通常有两个：

• 文档处理与嵌入生成：这是CPU密集型任务，且是顺序执行的。可以考虑：
  • 使用更快的嵌入模型（如继续用MiniLM系列）。
  • 编写脚本，将文档预处理和嵌入生成离线批量完成，再导入Memorix。Memorix本身可能更适合增量添加和交互式查询，而非一次性海量初始化。
• LLM生成速度：如果使用本地Ollama，模型越大（如70B），生成越慢。考虑使用量化版本（如llama2:7b-chat-q4_K_M）来平衡速度和质量。如果使用OpenAI，则受网络延迟和API速率限制影响。

6.3 生产环境考量

Q6: 如何将Memorix部署为长期运行的后台服务？A6: 开发模式的--reload不适合生产。建议使用：

• Systemd服务（Linux）：创建一个.service文件，用uvicorn ... --host 0.0.0.0 --port 8000（无--reload）启动，并设置重启策略。
• Docker容器化：编写Dockerfile，将Memorix及其依赖打包成镜像。这便于部署、版本管理和水平扩展。注意在Docker中妥善处理Chroma的持久化卷和模型文件缓存。
• 反向代理：使用Nginx或Caddy作为Memorix前端，处理SSL/TLS、静态文件、负载均衡等。

Q7: 数据安全与隐私如何保障？A7: Memorix的本地化部署本身已提供了很大保障。还需注意：

• 网络隔离：确保Memorix服务不直接暴露在公网。通过内网访问，或使用VPN/零信任网络。
• API认证：FastAPI可以轻松集成API Key认证或OAuth2。为/upload和/chat等端点添加依赖项，验证请求头中的Token。
• 文档脱敏：在上传前，对文档中的敏感信息（如身份证号、手机号）进行自动脱敏处理。

经过几个月的使用和折腾，Memorix给我的感觉就像一个“瑞士军刀”——它可能不是功能最花哨的那个，但在“快速构建一个可用的本地知识库QA系统”这个具体任务上，它足够锋利、可靠，而且完全在你的掌控之中。它的代码结构清晰，当你需要定制功能（比如换一个向量数据库、增加一个文档预处理钩子、修改提示模板）时，你能很快找到切入点。开源项目的魅力就在于此，你不仅是在使用一个工具，更是在一个坚实的基础上，搭建属于你自己的智能解决方案。如果你也受困于如何在本地安全、高效地“唤醒”你的文档，Memorix绝对值得你花一个下午的时间去尝试。