✨ 添加稀疏模型本地缓存功能

- 创建 download_sparse_model.py 脚本用于下载稀疏模型到本地
- 添加 SPARSE_MODEL_PATH 和 SPARSE_MODEL_NAME 配置
- 修改 retriever.py 和 index_builder.py 使用 cache_dir
- 更新 .gitignore 排除 models/ 目录
- 更新 Dockerfile 在构建时下载稀疏模型

backend/app/config.py

@@ -51,6 +51,10 @@ ZHIPU_RERANK_MODEL = _get_str("ZHIPU_RERANK_MODEL") or "rerank-2"
 ZHIPU_API_BASE = _get_str("ZHIPU_API_BASE") or "https://open.bigmodel.cn/api/paas/v4"
 
 
+# ========== 稀疏模型配置 ==========
+SPARSE_MODEL_PATH = _get_str("SPARSE_MODEL_PATH") or "./models/sparse"
+SPARSE_MODEL_NAME = _get_str("SPARSE_MODEL_NAME") or "Qdrant/bm25"
+
 # ========== llama.cpp 服务配置（URL + API密钥 配对） ==========
 # 主 LLM 服务
 VLLM_BASE_URL = _get_str("VLLM_BASE_URL")

backend/app/rag/retriever.py

@@ -28,6 +28,7 @@ from langchain_core.retrievers import BaseRetriever
 from rag_core import QDRANT_URL, QDRANT_API_KEY
 from rag_core.client import create_qdrant_client as create_core_qdrant_client
 from app.model_services import get_embedding_service
+from app.config import SPARSE_MODEL_PATH, SPARSE_MODEL_NAME
 from app.logger import info, warning
 
 # 模块级常量
@@ -134,9 +135,12 @@ def create_hybrid_retriever(
             raise ValueError(f"Qdrant 集合 '{collection_name}' 不存在")
         raise
 
-    # 初始化稀疏嵌入
-    sparse_embeddings = FastEmbedSparse(model_name="Qdrant/bm25")
-    info("✅ FastEmbedSparse 初始化成功")
+    # 初始化稀疏嵌入（使用本地缓存目录）
+    sparse_embeddings = FastEmbedSparse(
+        model_name=SPARSE_MODEL_NAME,
+        cache_dir=SPARSE_MODEL_PATH
+    )
+    info(f"✅ FastEmbedSparse 初始化成功 (cache_dir={SPARSE_MODEL_PATH})")
 
     # 创建混合模式的 QdrantVectorStore
     vector_store = QdrantVectorStore(