✨ 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

rag_indexer/index_builder.py

@@ -41,6 +41,15 @@ try:
 except ImportError:
     HAS_MODEL_SERVICES = False
 
+# 尝试导入稀疏模型配置（如果可用）
+try:
+    from app.config import SPARSE_MODEL_PATH, SPARSE_MODEL_NAME
+    HAS_SPARSE_CONFIG = True
+except ImportError:
+    HAS_SPARSE_CONFIG = False
+    SPARSE_MODEL_PATH = "./models/sparse"
+    SPARSE_MODEL_NAME = "Qdrant/bm25"
+
 logger = logging.getLogger(__name__)
 
 # ---------- 配置数据类 ----------
@@ -118,10 +127,13 @@ class IndexBuilder:
             self.embedder = LlamaCppEmbedder()
             self.embeddings = self.embedder.as_langchain_embeddings()
 
-        # 初始化稀疏嵌入
+        # 初始化稀疏嵌入（使用本地缓存目录）
         from langchain_qdrant import FastEmbedSparse, RetrievalMode
-        self.sparse_embeddings = FastEmbedSparse(model_name="Qdrant/bm25")
-        logger.info("✅ FastEmbedSparse 初始化成功")
+        self.sparse_embeddings = FastEmbedSparse(
+            model_name=SPARSE_MODEL_NAME,
+            cache_dir=SPARSE_MODEL_PATH
+        )
+        logger.info(f"✅ FastEmbedSparse 初始化成功 (cache_dir={SPARSE_MODEL_PATH})")
 
         # 初始化向量存储（混合检索模式）
         self.vector_store = QdrantVectorStore(