文献转 RAG 知识库

将你的研究文献（PDF 和 Word 文档）转换为可语义检索的知识库。支持从 Zotero 文献库一键建库，以及后续的增量更新。

功能概述

1. Zotero 全库建库 — 从 Zotero SQLite 数据库和 storage 目录构建 FAISS 向量索引
2. 增量更新 — 仅提取新增/修改文献，追加到现有索引，无需重建
3. 文档提取 — 从 PDF 和 Word 文档中提取文本
4. 交互查询 — 用自然语言搜索你的文献库

环境要求

• Python 3.8+
• 依赖：pymupdf, python-docx, sentence-transformers, faiss-cpu

pip install -r requirements.txt

使用流程

场景 1：首次从 Zotero 建库

从 Zotero SQLite 数据库读取全部文献，提取 PDF 文本，构建 FAISS 索引：

python scripts/build_zotero_rag.py

输出到 D:/experiment/论文rag/Zotero全库/vector_store/：

• index.faiss — FAISS 向量索引
• data.pkl — 文本块 + 元数据（标题、作者、年份、DOI、分类路径等）
• marker.json — 自动创建，记录本次建库时间戳

场景 2：增量更新

日常使用：仅提取 Zotero 中自上次建库以来新增/修改的文献，追加到现有索引：

python scripts/incremental_update.py

增量更新原理：

• marker.json 记录 last_max_dateAdded（上次建库时 Zotero 中最新的 dateAdded）
• 增量脚本查询 dateAdded > last_max_dateAdded 的新文献
• 同时查询 dateModified > last_max_dateAdded 的修改文献
• 仅提取新文献的 PDF，编码为向量，调用 FAISS.index.add() 追加
• 更新 data.pkl 追加新 chunks 和 metadata
• 更新 marker.json 时间戳

注意： FAISS IndexFlatIP 不支持删除单条向量。修改文献会以新版本形式追加（旧块保留）。若需清理，偶尔执行一次完整重建即可。

场景 3：传统方式（非 Zotero）

从任意 PDF/Word 文件夹建库：

# 步骤 2：提取文档文本
python scripts/extract_documents.py /path/to/documents

# 步骤 3：构建向量索引
python scripts/build_vector_store.py

检索文献

使用 search.py 脚本检索：

python scripts/search.py "查询内容"
python scripts/search.py -i          # 交互模式
python scripts/search.py --list      # 列出所有文档

命令说明

技术参数

• 嵌入模型： paraphrase-multilingual-MiniLM-L12-v2（384 维）
• 向量存储： FAISS IndexFlatIP（内积相似度，支持 add() 增量追加）
• 分块策略： 段落级切分（100–1000 字符/块）
• 支持格式： PDF（通过 PyMuPDF）, DOCX/DOC（通过 python-docx）
• 元数据： 标题、作者、年份、DOI、期刊、Zotero 分类路径、文献类型
• 存储位置： 默认 D:/experiment/论文rag/Zotero全库/
• 镜像源： 自动选择国内镜像或官方源

文件结构

research-papers-to-rag/
├── SKILL.md
├── README.md
├── requirements.txt
└── scripts/
    ├── build_zotero_rag.py      # Zotero 全库建库
    ├── incremental_update.py    # 增量更新（追加新文献）
    ├── extract_documents.py     # 通用文档提取
    ├── build_vector_store.py    # 通用向量索引构建
    └── search.py                # 检索工具