入库
从 arXiv 拉取元数据与 PDF，解析正文，按重叠窗口切成片段。一篇论文对应多条片段。
把一批论文做成可检索的知识库：提问时先找文献片段，再组织回答，并把出处带回来。
目标是「文献里怎么说」，而不是让模型脱离语料自由发挥。
面向已整理文献的问答入口，回答能指到来源。
面向 arXiv 一类文献。先把论文切成片段、写入检索索引；用户提问时，系统在索引里找出相关片段，再由大模型根据这些片段作答。回答应能指到来源，便于核对，而不是只给一段无法追查的文字。 同一套流程也可以接到测绘规范、项目报告或政策文件上，做成可追溯的行业资料问答。
针对当前已入库文献，而不是全网搜索。
切块、混合检索、再生成，而不是让模型直接作答。
从 arXiv 拉取元数据与 PDF，解析正文，按重叠窗口切成片段。一篇论文对应多条片段。
片段写入 OpenSearch：同时有倒排（BM25）和向量。PostgreSQL 保存论文级元数据，不参与片段排序。
提问时做关键词与向量混合检索，必要时按 arXiv 类目过滤，取出 Top-K 片段作为上下文。
大模型根据片段组织回答，并带上来源。可选 Redis 缓存完全相同的问题，避免重复检索。
用 LangGraph 把步骤串起来，而不是只跑一轮检索。
普通 RAG 是「检索一次 → 把片段塞进提示 → 生成」。语料对路时够用；问题含糊、范围不对、或第一次没命中时，容易答非所问或编造。这里把范围判断、相关性筛选和查询改写做成可执行步骤。
对话界面走流式输出，看起来像聊天；后台仍是检索加生成，不是无根据闲聊。
论文只是当前语料。
把「切块 → 混合检索 → 带来源的回答」接到规范、项目文档或内部报告上，就可以做成可追溯的资料问答，减少「模型凭印象说、无法核对」的情况。
前端静态对话页；后端 FastAPI；检索 OpenSearch（BM25 + 向量 + RRF）；编排 LangGraph。