feat: 实现 BM25 稀疏 + 稠密向量混合检索功能

backend/app/config.py

@@ -37,8 +37,9 @@ def _get_bool(key: str) -> bool | None:
 
 
 # ========== 第三方 API 密钥 ==========
-ZHIPUAI_API_KEY = _get_str("ZHIPUAI_API_KEY")
-DEEPSEEK_API_KEY = _get_str("DEEPSEEK_API_KEY")
+ZHIPUAI_API_KEY=_get_str("ZHIPUAI_API_KEY")
+DEEPSEEK_API_KEY=_get_str("DEEPSEEK_API_KEY")
+SILICONFLOW_API_KEY=_get_str("SILICONFLOW_API_KEY")
 
 
 # ========== 智谱 API 配置 ==========
@@ -51,9 +52,16 @@ 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"
 
 
+# ========== 硅基流动(SiliconFlow) API 配置 ==========
+# 重排模型：BAAI/bge-reranker-v2-m3
+SILICONFLOW_RERANK_MODEL = _get_str("SILICONFLOW_RERANK_MODEL") or "BAAI/bge-reranker-v2-m3"
+SILICONFLOW_API_BASE = _get_str("SILICONFLOW_API_BASE") or "https://api.siliconflow.cn/v1"
+
+
 # ========== 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"
+FASTEMBED_CACHE_PATH = _get_str("FASTEMBED_CACHE_PATH") or "./models/fastembed_cache"
 
 # ========== llama.cpp 服务配置（URL + API密钥 配对） ==========
 # 主 LLM 服务

backend/app/model_services/rerank_services.py

@@ -3,11 +3,15 @@
 
 本模块提供统一的重排模型服务获取接口，支持自动降级：
 1. 优先使用本地 llama.cpp 重排服务
-2. 本地服务不可用时，自动降级到智谱 API 重排服务
+2. 本地服务不可用时，自动降级到硅基流动(SiliconFlow) API 重排服务
+3. 硅基流动服务不可用时，自动降级到智谱 API 重排服务
+4. 所有API服务不可用时，自动降级到 LLM 评分重排服务
 
 主要功能：
 - LocalLlamaCppRerankProvider：本地 llama.cpp 重排服务提供者
+- SiliconFlowRerankProvider：硅基流动 API 重排服务提供者
 - ZhipuRerankProvider：智谱 API 重排服务提供者
+- LLMFallbackRerankProvider：LLM 评分降级重排服务提供者
 - get_rerank_service()：获取重排服务的统一接口
 
 注意：本模块只负责调用 rerank server，不包含业务逻辑（文档处理、排序、top_n）
@@ -28,7 +32,10 @@ from app.config import (
     LLAMACPP_API_KEY,
     ZHIPUAI_API_KEY,
     ZHIPU_RERANK_MODEL,
-    ZHIPU_API_BASE
+    ZHIPU_API_BASE,
+    SILICONFLOW_API_KEY,
+    SILICONFLOW_RERANK_MODEL,
+    SILICONFLOW_API_BASE
 )
 
 logger = logging.getLogger(__name__)
@@ -136,6 +143,53 @@ class ZhipuRerankService(BaseRerankService):
             raise
 
 
+class SiliconFlowRerankService(BaseRerankService):
+    """
+    硅基流动(SiliconFlow) API 重排服务 - 纯服务层
+    """
+
+    def __init__(self, model: str | None = None, api_key: str | None = None, api_base: str | None = None):
+        self.model = model or SILICONFLOW_RERANK_MODEL
+        self.api_key = api_key or SILICONFLOW_API_KEY
+        self.api_base = api_base or SILICONFLOW_API_BASE
+
+    def compute_scores(self, query: str, documents: List[str]) -> List[float]:
+        """
+        调用 SiliconFlow rerank API 计算得分 - 纯 API 调用
+        """
+        if not documents:
+            return []
+
+        headers = {
+            "Authorization": f"Bearer {self.api_key}",
+            "Content-Type": "application/json"
+        }
+
+        base = self.api_base.rstrip("/")
+        payload = {
+            "model": self.model,
+            "query": query,
+            "documents": documents,
+            "return_documents": False
+        }
+
+        with httpx.Client(timeout=120) as client:
+            response = client.post(
+                f"{base}/rerank",
+                headers=headers,
+                json=payload,
+            )
+            response.raise_for_status()
+            data = response.json()
+
+            if isinstance(data, dict) and "results" in data:
+                results = data["results"]
+                results_sorted = sorted(results, key=lambda x: x["index"])
+                return [item["relevance_score"] for item in results_sorted]
+            else:
+                raise ValueError(f"未知的 SiliconFlow rerank API 响应格式: {data}")
+
+
 class LLMFallbackRerankService(BaseRerankService):
     """
     使用 LLM 作为最后的降级方案进行重排
@@ -291,18 +345,53 @@ class ZhipuRerankProvider(BaseServiceProvider[BaseRerankService]):
         return self._service_instance
 
 
+class SiliconFlowRerankProvider(BaseServiceProvider[BaseRerankService]):
+    """
+    硅基流动(SiliconFlow) API 重排服务提供者
+    """
+
+    def __init__(self, model: str | None = None):
+        super().__init__("siliconflow_rerank")
+        self._model = model or SILICONFLOW_RERANK_MODEL
+
+    def is_available(self) -> bool:
+        """
+        检查 SiliconFlow API 重排服务是否可用
+        """
+        if not SILICONFLOW_API_KEY:
+            logger.warning("SILICONFLOW_API_KEY 未配置")
+            return False
+
+        try:
+            service = SiliconFlowRerankService(model=self._model)
+            test_scores = service.compute_scores("test query", ["test document"])
+            logger.info("SiliconFlow 重排服务可用")
+            return True
+        except Exception as e:
+            logger.warning(f"SiliconFlow 重排服务不可用: {e}")
+            return False
+
+    def get_service(self) -> BaseRerankService:
+        """
+        获取 SiliconFlow API 重排服务
+        """
+        if self._service_instance is None:
+            self._service_instance = SiliconFlowRerankService(model=self._model)
+        return self._service_instance
+
+
 def get_rerank_service() -> BaseRerankService:
     """
     获取重排服务（带自动降级）- 纯服务层
 
-    降级链: Local llama.cpp -> Zhipu Rerank -> LLM Fallback
+    降级链: Local llama.cpp -> SiliconFlow Rerank -> Zhipu Rerank -> LLM Fallback
 
     Returns:
         BaseRerankService: 重排服务实例
     """
     def _create_chain():
         primary = LocalLlamaCppRerankProvider()
-        fallbacks = [ZhipuRerankProvider(), LLMFallbackRerankProvider()]
+        fallbacks = [SiliconFlowRerankProvider(), ZhipuRerankProvider(), LLMFallbackRerankProvider()]
         return FallbackServiceChain(primary, fallbacks)
 
     chain = SingletonServiceManager.get_or_create("rerank_service_chain", _create_chain)

backend/app/rag/pipeline.py

@@ -1,4 +1,11 @@
-# rag/pipeline.py
+"""
+RAG 检索流水线模块
+
+提供固定流程的 RAG 检索：
+多路改写 → 并行检索 → RRF 融合 → 重排序 → 返回父文档
+
+默认使用混合检索（稠密+稀疏）+ 父子文档模式。
+"""
 
 import asyncio
 import os
@@ -6,61 +13,86 @@ from typing import List
 from langchain_core.documents import Document
 from langchain_core.language_models import BaseLanguageModel
 
-from ..model_services import get_rerank_service
-from .rerank import create_document_reranker
-from .query_transform import MultiQueryGenerator
-from .fusion import reciprocal_rank_fusion
+from app.model_services import get_rerank_service
+from app.rag.rerank import create_document_reranker
+from app.rag.query_transform import MultiQueryGenerator
+from app.rag.fusion import reciprocal_rank_fusion
+from app.rag.retriever import create_parent_hybrid_retriever
+
 
 class RAGPipeline:
     """
     固定流程的 RAG 检索流水线：
-    多路改写 → 并行检索 → RRF融合 → 重排序 → 返回父文档
+    多路改写 → 并行检索 → RRF 融合 → 重排序 → 返回父文档
+    
+    默认使用混合检索（稠密+BM25稀疏）+ 父子文档模式。
     """
     
     def __init__(
         self,
-        retriever,  # 基础检索器（应返回父文档，例如 ParentDocumentRetriever 实例）
-        llm: BaseLanguageModel,
+        retriever=None,
+        llm: Optional[BaseLanguageModel] = None,
         num_queries: int = 3,
         rerank_top_n: int = 5,
+        collection_name: str = "rag_documents",
     ):
         """
         Args:
-            retriever: 基础检索器对象，需实现 ainvoke(query) 异步方法
-            llm: 用于生成多路查询的语言模型
-            num_queries: 生成的查询变体数量
-            rerank_top_n: 最终返回的文档数量
-            rerank_model: 重排序模型名称
+            retriever: 基础检索器对象，需实现 ainvoke(query) 异步方法。
+                      如果不提供，会自动创建默认的父子文档混合检索器。
+            llm: 用于生成多路查询的语言模型。
+            num_queries: 生成的查询变体数量。
+            rerank_top_n: 最终返回的文档数量。
+            collection_name: Qdrant 集合名称（仅当 retriever 未提供时使用）。
         """
-        self.retriever = retriever
+        # 如果没有提供 retriever，自动创建默认的混合检索器
+        if retriever is None:
+            self.retriever = create_parent_hybrid_retriever(
+                collection_name=collection_name,
+                search_k=rerank_top_n * 2  # 多取一些给重排序用
+            )
+        else:
+            self.retriever = retriever
+            
         self.llm = llm
         self.num_queries = num_queries
         self.rerank_top_n = rerank_top_n
         
         # 初始化组件 - 使用统一的重排服务获取接口
-        self.query_generator = MultiQueryGenerator(llm=llm, num_queries=num_queries)
+        self.query_generator = MultiQueryGenerator(llm=llm, num_queries=num_queries) if llm else None
         self.reranker = create_document_reranker()
     
     async def aretrieve(self, query: str) -> List[Document]:
         """
         异步执行完整检索流程
+        
+        Args:
+            query: 用户查询
+        
+        Returns:
+            检索到的相关文档列表
         """
-        # Step 1: 生成多路查询
-        queries = await self.query_generator.agenerate(query)
-        # 包含原始查询，确保至少有一条
-        if query not in queries:
-            queries.insert(0, query)
+        # 如果有 query_generator，做多路改写
+        if self.query_generator and self.llm:
+            # Step 1: 生成多路查询
+            queries = await self.query_generator.agenerate(query)
+            # 包含原始查询，确保至少有一条
+            if query not in queries:
+                queries.insert(0, query)
+            else:
+                # 如果原始查询已在列表中，将其移至首位
+                queries.remove(query)
+                queries.insert(0, query)
+            
+            # Step 2: 并行检索（每个查询获取文档列表）
+            tasks = [self.retriever.ainvoke(q) for q in queries]
+            doc_lists = await asyncio.gather(*tasks)
+            
+            # Step 3: RRF 融合
+            fused_docs = reciprocal_rank_fusion(doc_lists)
         else:
-            # 如果原始查询已在列表中，将其移至首位
-            queries.remove(query)
-            queries.insert(0, query)
-        
-        # Step 2: 并行检索（每个查询获取文档列表）
-        tasks = [self.retriever.ainvoke(q) for q in queries]
-        doc_lists = await asyncio.gather(*tasks)
-        
-        # Step 3: RRF 融合
-        fused_docs = reciprocal_rank_fusion(doc_lists)
+            # 没有 LLM 做查询改写，直接用原始查询检索
+            fused_docs = await self.retriever.ainvoke(query)
         
         # Step 4: 重排序
         try:
@@ -76,7 +108,15 @@ class RAGPipeline:
         return asyncio.run(self.aretrieve(query))
     
     def format_context(self, documents: List[Document]) -> str:
-        """将文档列表格式化为上下文字符串"""
+        """
+        将文档列表格式化为上下文字符串
+        
+        Args:
+            documents: 文档列表
+        
+        Returns:
+            格式化后的上下文字符串
+        """
         if not documents:
             return ""
         
@@ -84,4 +124,30 @@ class RAGPipeline:
         for i, doc in enumerate(documents, 1):
             source = doc.metadata.get("source", "未知来源")
             parts.append(f"【资料 {i}】来源：{source}\n{doc.page_content}\n---\n")
-        return "\n".join(parts)
+        return "\n".join(parts)
+
+
+def create_rag_pipeline(
+    collection_name: str = "rag_documents",
+    llm: Optional[BaseLanguageModel] = None,
+    num_queries: int = 3,
+    rerank_top_n: int = 5,
+) -> RAGPipeline:
+    """
+    创建 RAG 检索流水线的便捷函数
+    
+    Args:
+        collection_name: Qdrant 集合名称
+        llm: 用于生成多路查询的语言模型
+        num_queries: 生成的查询变体数量
+        rerank_top_n: 最终返回的文档数量
+    
+    Returns:
+        RAGPipeline 实例
+    """
+    return RAGPipeline(
+        llm=llm,
+        num_queries=num_queries,
+        rerank_top_n=rerank_top_n,
+        collection_name=collection_name
+    )

backend/app/rag/retriever.py

@@ -1,170 +1,379 @@
 """
-Qdrant 向量检索器模块
+Qdrant 混合检索器模块
 
-提供基于 Qdrant 的混合检索（Dense + Sparse）功能。
+提供基于 Qdrant 的混合检索（Dense + Sparse）功能，包括：
+- 纯混合检索（无子父文档）
+- 父子文档混合检索（先检索子文档，再返回父文档）
 
 核心原理：
-- 使用 Qdrant 原生混合检索（langchain-qdrant 的 RetrievalMode.HYBRID）
-- 同时存储稠密向量和稀疏向量
-- 语义理解 + 关键词匹配，效果最优
-
-使用示例：
-    >>> from app.rag.retriever import create_hybrid_retriever
-    >>> retriever = create_hybrid_retriever(collection_name="rag_documents")
-    >>> docs = retriever.invoke("什么是 RAG？")
+- 使用 Qdrant 原生 Fusion API (RRF) 做分数融合
+- 同时使用稠密向量（语义）和稀疏向量（BM25 关键词）
 """
 
-from typing import Dict, Any, Optional
+from typing import Dict, Any, Optional, List
 from qdrant_client import QdrantClient
 from qdrant_client.http.exceptions import UnexpectedResponse
-from langchain_qdrant import (
-    QdrantVectorStore,
-    RetrievalMode,
-    FastEmbedSparse,
+from qdrant_client.http.models import (
+    SearchRequest, Fusion, FusionProtocol, NamedVector, NamedSparseVector
 )
+from langchain_core.documents import Document
 from langchain_core.embeddings import Embeddings
-from langchain_core.retrievers import BaseRetriever
+from langchain_core.retrievers import BaseRetriever, RetrieverOutput
 
-from rag_core import QDRANT_URL, QDRANT_API_KEY
+from rag_core import QdrantVectorStore, get_sparse_embedder, create_docstore
 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
+from app.logger import info, warning, debug
+
 
 # 模块级常量
 DEFAULT_SEARCH_K = 20
-DEFAULT_SCORE_THRESHOLD = 0.3
+DEFAULT_PARENT_SEARCH_K = 5
 
 
-def create_base_retriever(
-    collection_name: str,
-    search_kwargs: Dict[str, Any] | None = None,
-    client: QdrantClient | None = None,
-    embeddings: Embeddings | None = None,
-) -> BaseRetriever:
+class HybridRetriever(BaseRetriever):
     """
-    创建基础向量检索器（仅稠密向量检索）
-
-    Args:
-        collection_name: Qdrant 集合名称
-        search_kwargs: 搜索参数
-        client: 可选的 Qdrant 客户端
-        embeddings: 可选的嵌入模型（默认使用 get_embedding_service()）
-
-    Returns:
-        LangChain 兼容的检索器
+    混合检索器：稠密向量 + BM25 稀疏向量 RRF 分数融合
+    
+    直接使用 Qdrant 原生 Fusion API，性能最优。
     """
-    # 默认使用统一嵌入服务（已内置降级机制）
-    if embeddings is None:
-        embeddings = get_embedding_service()
-        info("✅ 使用统一嵌入服务（本地 llama.cpp → 智谱 API 自动降级）")
+    
+    def __init__(
+        self,
+        collection_name: str,
+        vector_store: QdrantVectorStore,
+        search_k: int = DEFAULT_SEARCH_K,
+    ):
+        """
+        Args:
+            collection_name: Qdrant 集合名称
+            vector_store: QdrantVectorStore 实例
+            search_k: 检索返回结果数
+        """
+        self.collection_name = collection_name
+        self.vector_store = vector_store
+        self.search_k = search_k
+        self.client = vector_store.get_qdrant_client()
+        self.sparse_embedder = get_sparse_embedder()
+        
+    def _get_relevant_documents(
+        self, query: str, *, run_manager: Optional[Any] = None
+    ) -> List[Document]:
+        """
+        同步检索相关文档
+        
+        Args:
+            query: 查询字符串
+            run_manager: LangChain 运行管理器（可选）
+        
+        Returns:
+            相关文档列表
+        """
+        # 生成双向量
+        dense_query = self.vector_store.embeddings.embed_query(query)
+        sparse_query = self.sparse_embedder.embed_query(query)
+        
+        # 构建双检索请求
+        searches = [
+            # 稠密检索
+            SearchRequest(
+                vector=NamedVector(name="dense", vector=dense_query),
+                limit=self.search_k,
+                with_payload=True
+            ),
+            # 稀疏检索
+            SearchRequest(
+                vector=NamedSparseVector(name="sparse", vector=sparse_query),
+                limit=self.search_k,
+                with_payload=True
+            )
+        ]
+        
+        # RRF 分数融合
+        fused_results = self.client.fusion(
+            collection_name=self.collection_name,
+            requests=searches,
+            fusion=Fusion(fusion=FusionProtocol.RRF)
+        )
+        
+        # 转换为 Document 格式
+        results = []
+        for point in fused_results.points:
+            doc = Document(
+                page_content=point.payload.pop("text", ""),
+                metadata=point.payload
+            )
+            results.append(doc)
+        
+        debug(f"混合检索返回 {len(results)} 个文档")
+        return results
+    
+    async def _aget_relevant_documents(
+        self, query: str, *, run_manager: Optional[Any] = None
+    ) -> List[Document]:
+        """异步检索（当前调用同步版本）"""
+        # Qdrant 客户端没有原生 async，这里用同步版本
+        return self._get_relevant_documents(query, run_manager=run_manager)
 
-    # 合并默认搜索参数
-    merged_search_kwargs = {"k": DEFAULT_SEARCH_K}
-    if search_kwargs:
-        merged_search_kwargs.update(search_kwargs)
 
-    # 创建或复用 Qdrant 客户端
-    if client is None:
-        client = create_core_qdrant_client()
-
-    # 验证集合是否存在
-    try:
-        client.get_collection(collection_name)
-    except UnexpectedResponse as e:
-        if e.status_code == 404:
-            warning(f"⚠️ Qdrant 集合 '{collection_name}' 不存在，请先创建并索引文档")
-            raise ValueError(f"Qdrant 集合 '{collection_name}' 不存在")
-        raise
-
-    # 构建向量存储
-    vector_store = QdrantVectorStore(
-        client=client,
-        collection_name=collection_name,
-        embedding=embeddings,
-    )
-
-    return vector_store.as_retriever(search_kwargs=merged_search_kwargs)
+class ParentHybridRetriever(BaseRetriever):
+    """
+    父子文档混合检索器：
+    
+    1. 先用混合检索找到相关子文档
+    2. 根据子文档的 parent_id 找到对应的父文档
+    3. 去重并返回父文档
+    """
+    
+    def __init__(
+        self,
+        collection_name: str,
+        vector_store: QdrantVectorStore,
+        search_k: int = DEFAULT_PARENT_SEARCH_K,
+        docstore: Optional[Any] = None,
+    ):
+        """
+        Args:
+            collection_name: Qdrant 集合名称
+            vector_store: QdrantVectorStore 实例
+            search_k: 最终返回的父文档数
+            docstore: 文档存储（如果父文档在 PostgreSQL），可选
+        """
+        self.collection_name = collection_name
+        self.vector_store = vector_store
+        self.search_k = search_k
+        self.client = vector_store.get_qdrant_client()
+        self.sparse_embedder = get_sparse_embedder()
+        self.docstore = docstore
+        
+    def _get_relevant_documents(
+        self, query: str, *, run_manager: Optional[Any] = None
+    ) -> List[Document]:
+        """
+        同步检索相关父文档
+        
+        Args:
+            query: 查询字符串
+            run_manager: LangChain 运行管理器（可选）
+        
+        Returns:
+            相关父文档列表
+        """
+        # 1. 生成查询双向量
+        dense_query = self.vector_store.embeddings.embed_query(query)
+        sparse_query = self.sparse_embedder.embed_query(query)
+        
+        # 2. 多取一些子文档，避免去重后数量不足
+        search_limit = self.search_k * 2
+        searches = [
+            # 稠密检索
+            SearchRequest(
+                vector=NamedVector(name="dense", vector=dense_query),
+                limit=search_limit,
+                with_payload=True
+            ),
+            # 稀疏检索
+            SearchRequest(
+                vector=NamedSparseVector(name="sparse", vector=sparse_query),
+                limit=search_limit,
+                with_payload=True
+            )
+        ]
+        
+        # 3. RRF 分数融合，拿到子文档命中结果
+        fused_results = self.client.fusion(
+            collection_name=self.collection_name,
+            requests=searches,
+            fusion=Fusion(fusion=FusionProtocol.RRF)
+        )
+        
+        if not fused_results.points:
+            debug("混合检索未找到任何文档")
+            return []
+        
+        # 4. 收集 parent_id 和对应最高得分
+        parent_score_map = {}
+        parent_ids = set()
+        child_point_map = {}  # 保存子文档点用于降级
+        
+        for point in fused_results.points:
+            parent_id = point.payload.get("parent_id", point.id)
+            score = point.score
+            
+            # 同一个 parent_id 只保留最高得分
+            if parent_id not in parent_score_map or score > parent_score_map[parent_id]:
+                parent_score_map[parent_id] = score
+                parent_ids.add(parent_id)
+                child_point_map[parent_id] = point
+        
+        # 5. 批量查询父文档
+        # 首先尝试从 Qdrant 直接查询（因为父文档可能也存在 Qdrant 中）
+        parent_docs = []
+        found_parent_ids = set()
+        
+        try:
+            parent_points = self.client.retrieve(
+                collection_name=self.collection_name,
+                ids=list(parent_ids),
+                with_payload=True
+            )
+            
+            # 处理找到的父文档
+            for point in parent_points:
+                doc = Document(
+                    page_content=point.payload.pop("text", ""),
+                    metadata=point.payload
+                )
+                parent_docs.append(doc)
+                found_parent_ids.add(point.id)
+                
+        except Exception as e:
+            warning(f"从 Qdrant 查询父文档失败: {e}")
+        
+        # 6. 如果有 docstore，尝试从 docstore 查询剩余的父文档
+        if self.docstore and len(found_parent_ids) < len(parent_ids):
+            missing_parent_ids = parent_ids - found_parent_ids
+            try:
+                docstore_docs = self.docstore.mget(missing_parent_ids)
+                for doc_id, doc in zip(missing_parent_ids, docstore_docs):
+                    if doc is not None:
+                        parent_docs.append(doc)
+                        found_parent_ids.add(doc_id)
+            except Exception as e:
+                warning(f"从 docstore 查询父文档失败: {e}")
+        
+        # 7. 降级：对于仍未找到的父文档，用子文档本身代替
+        missing_parent_ids = parent_ids - found_parent_ids
+        if missing_parent_ids:
+            warning(f"以下 parent_id 未找到对应的父文档，将返回子文档本身: {missing_parent_ids}")
+            for parent_id in missing_parent_ids:
+                child_point = child_point_map.get(parent_id)
+                if child_point:
+                    doc = Document(
+                        page_content=child_point.payload.pop("text", ""),
+                        metadata=child_point.payload
+                    )
+                    parent_docs.append(doc)
+        
+        # 8. 按照得分降序排序，返回前 k 个
+        parent_docs_with_scores = [
+            (doc, parent_score_map.get(doc.metadata.get("id", doc.id), 0.0))
+            for doc in parent_docs
+        ]
+        parent_docs_with_scores.sort(key=lambda x: x[1], reverse=True)
+        
+        final_docs = [doc for doc, _ in parent_docs_with_scores[:self.search_k]]
+        debug(f"父子文档混合检索返回 {len(final_docs)} 个父文档")
+        
+        return final_docs
+    
+    async def _aget_relevant_documents(
+        self, query: str, *, run_manager: Optional[Any] = None
+    ) -> List[Document]:
+        """异步检索（当前调用同步版本）"""
+        return self._get_relevant_documents(query, run_manager=run_manager)
 
 
 def create_hybrid_retriever(
     collection_name: str,
-    dense_k: int = 10,
-    sparse_k: int = 10,
-    score_threshold: float | None = DEFAULT_SCORE_THRESHOLD,
-    client: QdrantClient | None = None,
-    embeddings: Embeddings | None = None,
+    search_k: int = DEFAULT_SEARCH_K,
+    embeddings: Optional[Embeddings] = None,
 ) -> BaseRetriever:
     """
-    创建混合检索器（稠密向量 + BM25 稀疏向量，Qdrant 原生实现）。
-
+    创建混合检索器（稠密向量 + BM25 稀疏向量）。
+    
+    这是默认推荐的检索方式，效果最优。
+    
     Args:
-        collection_name: Qdrant 集合名称。
-        dense_k: 稠密向量检索返回数量，默认 10。
-        sparse_k: 稀疏向量检索返回数量，默认 10。
-        score_threshold: 相似度阈值，默认 0.3。
-        client: 可选的 Qdrant 客户端实例。
+        collection_name: Qdrant 集合名称
+        search_k: 检索返回结果数
         embeddings: 可选的嵌入模型实例。若未提供，将自动获取统一嵌入服务。
-
+    
     Returns:
-        BaseRetriever 实例，配置了混合搜索参数。
+        HybridRetriever 实例
     """
-    total_k = dense_k + sparse_k
-
-    search_kwargs = {
-        "k": total_k,
-        "search_type": "similarity_score_threshold",
-        "score_threshold": score_threshold,
-    }
-
-    # 默认使用统一嵌入服务（已内置降级机制）
+    # 默认使用统一嵌入服务
     if embeddings is None:
         embeddings = get_embedding_service()
         info("✅ 使用统一嵌入服务（本地 llama.cpp → 智谱 API 自动降级）")
-
-    # 创建或复用 Qdrant 客户端
-    if client is None:
-        client = create_core_qdrant_client()
-
+    
+    # 创建向量存储
+    vector_store = QdrantVectorStore(collection_name=collection_name, embeddings=embeddings)
+    
     # 验证集合是否存在
     try:
-        client.get_collection(collection_name)
+        vector_store.get_client().get_collection(collection_name)
     except UnexpectedResponse as e:
         if e.status_code == 404:
             warning(f"⚠️ Qdrant 集合 '{collection_name}' 不存在，请先创建并索引文档")
             raise ValueError(f"Qdrant 集合 '{collection_name}' 不存在")
         raise
-
-    # 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(
-        client=client,
+    
+    info(f"✅ Qdrant 混合检索器初始化成功（search_k={search_k}）")
+    return HybridRetriever(
         collection_name=collection_name,
-        embedding=embeddings,
-        sparse_embedding=sparse_embeddings,
-        retrieval_mode=RetrievalMode.HYBRID,
+        vector_store=vector_store,
+        search_k=search_k
     )
 
-    info(f"✅ Qdrant 原生混合检索器初始化成功 (k={total_k})")
-    return vector_store.as_retriever(search_kwargs=search_kwargs)
 
-
-# 可选：提供异步友好的辅助函数
-async def acreate_base_retriever(
+def create_parent_hybrid_retriever(
     collection_name: str,
-    search_kwargs: Dict[str, Any] | None = None,
-    client: QdrantClient | None = None,
+    search_k: int = DEFAULT_PARENT_SEARCH_K,
+    embeddings: Optional[Embeddings] = None,
+    use_docstore: bool = True,
 ) -> BaseRetriever:
     """
-    异步创建基础向量检索器（与同步版本功能相同）。
-
-    适用于需要异步初始化的场景（例如在 FastAPI 启动事件中）。
+    创建父子文档混合检索器（默认推荐）。
+    
+    检索流程：
+    1. 混合检索找到相关子文档
+    2. 根据 parent_id 找到对应的父文档
+    3. 去重并返回父文档
+    
+    Args:
+        collection_name: Qdrant 集合名称
+        search_k: 最终返回的父文档数
+        embeddings: 可选的嵌入模型实例
+        use_docstore: 是否使用 PostgreSQL docstore 存储父文档
+    
+    Returns:
+        ParentHybridRetriever 实例
     """
-    # 由于 QdrantVectorStore 初始化本身是同步的，这里直接调用同步版本即可
-    return create_base_retriever(collection_name, search_kwargs, client)
+    # 默认使用统一嵌入服务
+    if embeddings is None:
+        embeddings = get_embedding_service()
+        info("✅ 使用统一嵌入服务（本地 llama.cpp → 智谱 API 自动降级）")
+    
+    # 创建向量存储
+    vector_store = QdrantVectorStore(collection_name=collection_name, embeddings=embeddings)
+    
+    # 验证集合是否存在
+    try:
+        vector_store.get_client().get_collection(collection_name)
+    except UnexpectedResponse as e:
+        if e.status_code == 404:
+            warning(f"⚠️ Qdrant 集合 '{collection_name}' 不存在，请先创建并索引文档")
+            raise ValueError(f"Qdrant 集合 '{collection_name}' 不存在")
+        raise
+    
+    # 创建 docstore（如果需要）
+    docstore = None
+    if use_docstore:
+        try:
+            docstore, _ = create_docstore()
+            info("✅ 文档存储初始化成功（PostgreSQL）")
+        except Exception as e:
+            warning(f"⚠️ 文档存储初始化失败，将不使用 docstore: {e}")
+    
+    info(f"✅ Qdrant 父子文档混合检索器初始化成功（search_k={search_k}）")
+    return ParentHybridRetriever(
+        collection_name=collection_name,
+        vector_store=vector_store,
+        search_k=search_k,
+        docstore=docstore
+    )
+
+
+# 别名：默认就是父子文档混合检索
+create_retriever = create_parent_hybrid_retriever

backend/app/rag/tools.py

@@ -3,52 +3,94 @@ RAG 工具模块
 
 将检索功能封装为 LangChain Tool，供 Agent 调用。
 采用固定流水线：多路改写 → 并行检索 → RRF 融合 → 重排序 → 返回父文档。
+
+默认使用混合检索（稠密+BM25稀疏）+ 父子文档模式。
 """
-from typing import Callable
+from typing import Callable, Optional
 from langchain_core.tools import tool
 from langchain_core.language_models import BaseLanguageModel
 from langchain_core.retrievers import BaseRetriever
-from .pipeline import RAGPipeline
+from app.rag.pipeline import RAGPipeline, create_rag_pipeline
+
 
 def create_rag_tool_sync(
-    retriever: BaseRetriever,
-    llm: BaseLanguageModel,
+    retriever: Optional[BaseRetriever] = None,
+    llm: Optional[BaseLanguageModel] = None,
     num_queries: int = 3,
     rerank_top_n: int = 5,
     collection_name: str = "rag_documents",
 ) -> Callable:
     """
-    创建一个配置好的 RAG 检索工具（同步版本，用于不支持异步的旧版 Agent）。
-
-    参数同 create_rag_tool。
+    创建一个配置好的 RAG 检索工具（同步版本）。
+    
+    默认使用混合检索（稠密+BM25稀疏）+ 父子文档模式。
+    
+    Args:
+        retriever: 基础检索器对象（可选，不提供则自动创建）
+        llm: 用于生成多路查询的语言模型（可选）
+        num_queries: 生成的查询变体数量
+        rerank_top_n: 最终返回的文档数量
+        collection_name: Qdrant 集合名称
+    
+    Returns:
+        LangChain Tool 函数
     """
     pipeline = RAGPipeline(
         retriever=retriever,
         llm=llm,
         num_queries=num_queries,
         rerank_top_n=rerank_top_n,
+        collection_name=collection_name,
     )
 
     @tool
     def search_knowledge_base_sync(query: str) -> str:
-        """在知识库中搜索与查询相关的文档片段（同步版本）。
-
-        功能与异步版本相同：多路改写 → RRF融合 → 重排序 → 返回父文档。
-
+        """
+        在知识库中搜索与查询相关的文档片段。
+        
+        使用混合检索（稠密向量语义 + BM25 关键词）+ 父子文档模式，
+        检索效果最优。
+        
         Args:
             query: 用户提出的问题或查询字符串
-
+        
         Returns:
-            格式化后的相关文档内容。
+            格式化后的相关文档内容
         """
         try:
-            documents = pipeline.retrieve(query)  # 内部调用异步方法并等待
+            documents = pipeline.retrieve(query)
             if not documents:
                 return f"在知识库 '{collection_name}' 中未找到与 '{query}' 相关的信息。"
-
+            
             context = pipeline.format_context(documents)
             return context
         except Exception as e:
             return f"检索过程中发生错误: {str(e)}"
+    
+    return search_knowledge_base_sync
 
-    return search_knowledge_base_sync
+
+def create_rag_tool(
+    collection_name: str = "rag_documents",
+    llm: Optional[BaseLanguageModel] = None,
+    num_queries: int = 3,
+    rerank_top_n: int = 5,
+) -> Callable:
+    """
+    创建 RAG 检索工具的便捷函数（同步版本）。
+    
+    Args:
+        collection_name: Qdrant 集合名称
+        llm: 用于生成多路查询的语言模型（可选）
+        num_queries: 生成的查询变体数量
+        rerank_top_n: 最终返回的文档数量
+    
+    Returns:
+        LangChain Tool 函数
+    """
+    return create_rag_tool_sync(
+        collection_name=collection_name,
+        llm=llm,
+        num_queries=num_queries,
+        rerank_top_n=rerank_top_n,
+    )

backend/rag_core/__init__.py

@@ -6,6 +6,7 @@ RAG Core - 公共 RAG 组件包
 
 from .embedders import LlamaCppEmbedder
 from .vector_store import QdrantVectorStore
+from .sparse_embedder import BM25SparseEmbedder, get_sparse_embedder
 from .store import PostgresDocStore, create_docstore
 from .retriever_factory import create_parent_retriever
 from .config import (
@@ -21,6 +22,8 @@ from .config import (
 __all__ = [
     "LlamaCppEmbedder",
     "QdrantVectorStore",
+    "BM25SparseEmbedder",
+    "get_sparse_embedder",
     "QDRANT_URL",
     "QDRANT_API_KEY",
     "LLAMACPP_EMBEDDING_URL",

backend/rag_core/retriever_factory.py

@@ -1,5 +1,14 @@
-# rag_core/retriever_factory.py
+"""
+RAG 检索器工厂模块
+
+提供创建各种检索器的工厂函数，包括：
+- 基础向量检索器
+- ParentDocumentRetriever（父子文档）
+- 混合检索器（稠密+稀疏）
+"""
+from typing import Optional
 from langchain_core.embeddings import Embeddings
+from langchain_core.retrievers import BaseRetriever
 from langchain_classic.retrievers import ParentDocumentRetriever
 from langchain_text_splitters import RecursiveCharacterTextSplitter, TextSplitter
 from langchain_core.stores import BaseStore
@@ -9,18 +18,18 @@ from rag_core import LlamaCppEmbedder, QdrantVectorStore, create_docstore
 
 def create_parent_retriever(
     collection_name: str = "rag_documents",
-    parent_splitter: TextSplitter | None = None,
-    child_splitter: TextSplitter | None = None,
-    docstore: BaseStore | None = None,
+    parent_splitter: Optional[TextSplitter] = None,
+    child_splitter: Optional[TextSplitter] = None,
+    docstore: Optional[BaseStore] = None,
     search_k: int = 5,
     parent_chunk_size: int = 1000,
     parent_chunk_overlap: int = 100,
     child_chunk_size: int = 200,
     child_chunk_overlap: int = 20,
-    embeddings: Embeddings | None = None,
+    embeddings: Optional[Embeddings] = None,
 ) -> ParentDocumentRetriever:
     """
-    创建 ParentDocumentRetriever 实例。
+    创建 ParentDocumentRetriever 实例（基础稠密向量版本）。
     
     Args:
         collection_name: Qdrant 集合名称，默认 "rag_documents"
@@ -44,7 +53,7 @@ def create_parent_retriever(
     
     # 向量存储（只读）
     vector_store = QdrantVectorStore(collection_name=collection_name, embeddings=embeddings)
-
+    
     # 切分器（若未提供则创建默认）
     if parent_splitter is None:
         parent_splitter = RecursiveCharacterTextSplitter(
@@ -56,11 +65,11 @@ def create_parent_retriever(
             chunk_size=child_chunk_size,
             chunk_overlap=child_chunk_overlap,
         )
-
+    
     # 文档存储
     if docstore is None:
         docstore, _ = create_docstore()
-
+    
     return ParentDocumentRetriever(
         vectorstore=vector_store.get_langchain_vectorstore(),
         docstore=docstore,
@@ -68,3 +77,34 @@ def create_parent_retriever(
         parent_splitter=parent_splitter,
         search_kwargs={"k": search_k},
     )
+
+
+def create_hybrid_retriever_factory(
+    collection_name: str = "rag_documents",
+    search_k: int = 5,
+    embeddings: Optional[Embeddings] = None,
+) -> BaseRetriever:
+    """
+    【不完整，仅占位】创建混合检索器的工厂函数占位符。
+    
+    注意：完整的混合检索逻辑在 app/rag/retriever.py 中实现。
+    这里仅返回 QdrantVectorStore 作为基础。
+    
+    Args:
+        collection_name: Qdrant 集合名称
+        search_k: 检索返回结果数
+        embeddings: 嵌入模型实例
+    
+    Returns:
+        基础的 QdrantVectorStore（仅稠密检索）
+    """
+    # 嵌入模型
+    if embeddings is None:
+        embedder = LlamaCppEmbedder()
+        embeddings = embedder.as_langchain_embeddings()
+    
+    # 创建向量存储
+    vector_store = QdrantVectorStore(collection_name=collection_name, embeddings=embeddings)
+    
+    # 返回 LangChain 兼容的 retriever
+    return vector_store.get_langchain_vectorstore().as_retriever(search_kwargs={"k": search_k})

backend/rag_core/sparse_embedder.py

@@ -0,0 +1,34 @@
+"""
+BM25 稀疏嵌入器
+基于 FastEmbed 的 Qdrant/bm25 模型，完全离线运行
+"""
+from typing import List
+from fastembed.sparse.sparse_text_embedding import SparseTextEmbedding
+from app.config import FASTEMBED_CACHE_PATH
+
+class BM25SparseEmbedder:
+    """BM25 稀疏嵌入包装器，与现有嵌入器风格统一"""
+
+    def __init__(self):
+        self.model = SparseTextEmbedding(
+            model_name="Qdrant/bm25",
+            cache_dir=FASTEMBED_CACHE_PATH,
+            local_files_only=True,  # 强制离线，永不联网
+        )
+
+    def embed_documents(self, texts: List[str]) -> List[dict]:
+        """返回稀疏向量列表，每个为 Qdrant 兼容的 dict（indices+values）"""
+        return [vec.as_object() for vec in self.model.embed(texts)]
+
+    def embed_query(self, text: str) -> dict:
+        """返回单个稀疏向量"""
+        return list(self.model.embed([text]))[0].as_object()
+
+# 全局单例
+_sparse_embedder_instance = None
+
+def get_sparse_embedder() -> BM25SparseEmbedder:
+    global _sparse_embedder_instance
+    if _sparse_embedder_instance is None:
+        _sparse_embedder_instance = BM25SparseEmbedder()
+    return _sparse_embedder_instance

backend/rag_core/vector_store.py

@@ -1,41 +1,48 @@
 """
 Qdrant 向量数据库包装器。
+支持稠密+稀疏双向量存储。
 """
 
 import logging
 import os
 import time
+import uuid
 from typing import List, Optional, Dict, Any
 
 from langchain_core.documents import Document
 from langchain_core.embeddings import Embeddings
 from langchain_qdrant import QdrantVectorStore as LangchainQdrantVS
 from qdrant_client import QdrantClient
-from qdrant_client.http.models import Distance, VectorParams
+from qdrant_client.http.models import (
+    Distance, VectorParams, SparseVectorParams, SparseIndexParams, 
+    SparseIndexType, PointStruct, NamedSparseVector, NamedVector
+)
 from httpx import RemoteProtocolError
 from qdrant_client.http.exceptions import ResponseHandlingException
 
 from .client import create_qdrant_client
 from .embedders import LlamaCppEmbedder
+from .sparse_embedder import BM25SparseEmbedder, get_sparse_embedder
 
 logger = logging.getLogger(__name__)
 
 
 class QdrantVectorStore:
-    """Qdrant 向量数据库操作包装器。"""
+    """Qdrant 向量数据库操作包装器 - 支持稠密+稀疏双向量存储。"""
 
-    def __init__(self, collection_name: str, embeddings: Optional[Embeddings] = None):
+    def __init__(self, collection_name: str, embeddings: Optional[Embeddings] = None, sparse_embedder: Optional[BM25SparseEmbedder] = None):
         """
         Args:
             collection_name: Qdrant 集合名称。
             embeddings: 嵌入模型实例，默认 None（使用内部默认的 LlamaCppEmbedder）。
+            sparse_embedder: 稀疏嵌入模型实例，默认 None（自动加载BM25）。
         """
         self.collection_name = collection_name
         self._client: Optional[QdrantClient] = None
         self._connection_attempts = 0
         self._last_connection_time: Optional[float] = None
         
-        # 嵌入模型
+        # 稠密嵌入模型
         if embeddings is None:
             embedder = LlamaCppEmbedder()
             self.embeddings = embedder.as_langchain_embeddings()
@@ -43,9 +50,13 @@ class QdrantVectorStore:
         else:
             self.embeddings = embeddings
             self._embedder = None
+            
+        # 稀疏嵌入模型
+        self.sparse_embedder = sparse_embedder or get_sparse_embedder()
 
         self.create_collection()
 
+        # 保留 LangChain 向量存储实例（用于兼容）
         self.vector_store = LangchainQdrantVS(
             client=self.get_client(),
             collection_name=self.collection_name,
@@ -97,7 +108,7 @@ class QdrantVectorStore:
         }
 
     def create_collection(self, force_recreate: bool = False):
-        """创建集合，设置合适的向量维度。"""
+        """创建集合，支持稠密+稀疏双向量。"""
         if self._embedder is not None:
             # 使用内部的 embedder 获取维度
             vector_size = self._embedder.get_embedding_dimension()
@@ -119,11 +130,31 @@ class QdrantVectorStore:
                     exists = False
 
                 if not exists:
+                    # 向量配置：稠密向量
+                    vectors_config = {
+                        "dense": VectorParams(
+                            size=vector_size,
+                            distance=Distance.COSINE,
+                            optional=True
+                        )
+                    }
+                    
+                    # 稀疏向量配置
+                    sparse_vectors_config = {
+                        "sparse": SparseVectorParams(
+                            index=SparseIndexParams(
+                                type=SparseIndexType.MUTABLE
+                            ),
+                            optional=True
+                        )
+                    }
+
                     client.create_collection(
                         collection_name=self.collection_name,
-                        vectors_config=VectorParams(size=vector_size, distance=Distance.COSINE),
+                        vectors_config=vectors_config,
+                        sparse_vectors_config=sparse_vectors_config
                     )
-                    logger.info("集合 '%s' 已创建（维度=%d）", self.collection_name, vector_size)
+                    logger.info("集合 '%s' 已创建（维度=%d，支持稠密+稀疏双向量）", self.collection_name, vector_size)
                 else:
                     logger.info("集合 '%s' 已存在", self.collection_name)
                 return
@@ -142,18 +173,54 @@ class QdrantVectorStore:
                 time.sleep(wait_time)
 
     def add_documents(self, documents: List[Document], batch_size: int = 100):
-        """将文档添加到向量数据库。"""
+        """将文档添加到向量数据库，自动生成稠密+稀疏双向量。"""
         if not documents:
             return []
         self.create_collection()
-        ids = self.vector_store.add_documents(documents, batch_size=batch_size)
-        logger.info("已向 '%s' 添加 %d 个文档", self.collection_name, len(ids))
-        return ids
+        client = self.get_client()
+        doc_ids = []
+
+        # 分批处理
+        for i in range(0, len(documents), batch_size):
+            batch_docs = documents[i:i+batch_size]
+            texts = [doc.page_content for doc in batch_docs]
+            
+            # 生成双向量
+            dense_vectors = self.embeddings.embed_documents(texts)
+            sparse_vectors = self.sparse_embedder.embed_documents(texts)
+
+            points = []
+            for j, doc in enumerate(batch_docs):
+                point_id = doc.metadata.get("id", str(uuid.uuid4()))
+                doc_ids.append(point_id)
+
+                # 构造双向量
+                named_vectors = {
+                    "dense": dense_vectors[j],
+                    "sparse": NamedSparseVector(
+                        name="sparse",
+                        vector=sparse_vectors[j]
+                    )
+                }
+
+                points.append(PointStruct(
+                    id=point_id,
+                    vector=named_vectors,
+                    payload={"text": doc.page_content, **doc.metadata}
+                ))
+
+            # 批量插入
+            client.upsert(collection_name=self.collection_name, points=points)
+            logger.info("已向 '%s' 添加 %d 个文档（稠密+稀疏双向量）", self.collection_name, len(points))
+
+        return doc_ids
 
     def similarity_search(self, query: str, k: int = 5) -> List[Document]:
+        """基础稠密向量检索（兼容原有接口）。"""
         return self.vector_store.similarity_search(query, k=k)
 
     def similarity_search_with_score(self, query: str, k: int = 5) -> List[tuple[Document, float]]:
+        """基础稠密向量检索带分数（兼容原有接口）。"""
         return self.vector_store.similarity_search_with_score(query, k=k)
 
     def delete_collection(self):
@@ -183,5 +250,5 @@ class QdrantVectorStore:
         return self.vector_store
 
     def get_qdrant_client(self):
-        """返回原生 Qdrant 客户端（如需手动管理 collection）"""
+        """返回原生 Qdrant 客户端（用于自定义检索逻辑）"""
         return self.get_client()

backend/requirements.txt

@@ -1,53 +1,52 @@
-# Core
-pydantic==2.12.5
-python-dotenv==1.2.2
-typing-extensions==4.15.0
+typing-extensions>=4.15.0
+python-dotenv>=1.2.2
+pydantic>=2.12.5
+requests>=2.32.5
 
 # LangChain
-langchain==1.2.15
-langchain-community==0.4.1
-langchain-core==1.2.28
-langchain-openai==1.1.12
-langchain-qdrant==1.1.0
-langgraph==1.1.6
-langgraph-checkpoint-postgres==3.0.5
+langchain>=1.2.15
+langchain-community>=0.4.1
+langchain-core>=1.2.28
+langchain-openai>=1.1.12
+langchain-qdrant>=1.1.0
+langgraph>=1.1.6
+langgraph-checkpoint-postgres>=3.0.5
 tiktoken>=0.12.0
 
 # Zhipu AI
-zhipuai==2.0.1
+zhipuai>=2.0.1
 
 # Vector DB
-qdrant-client==1.17.1
+qdrant-client>=1.17.1
 fastembed>=0.3.0  # 用于 Qdrant BM25 稀疏向量
 
 # Memory
-mem0ai==1.0.11
+mem0ai>=1.0.11
 
 # Backend
-fastapi==0.135.3
-uvicorn[standard]==0.44.0
+fastapi>=0.135.3
+uvicorn[standard]>=0.44.0
 
 # Database
-asyncpg==0.31.0
-psycopg[binary]==3.3.3
+asyncpg>=0.31.0
+psycopg[binary]>=3.3.3
 
 # HTTP
-httpx==0.28.1
-aiohttp==3.13.5
+httpx>=0.28.1
+aiohttp>=3.13.5
 
 # Utilities
-tenacity==9.1.4
-rich==15.0.0
-PyYAML==6.0.3
+tenacity>=9.1.4
+rich>=15.0.0
+PyYAML>=6.0.3
 numpy>=1.26.2
-pyjwt==2.8.0
+pyjwt>=2.8.0
 ddgs>=6.0.0              # 免费联网搜索（原 duckduckgo-search 已重命名）
 matplotlib>=3.9.0         # 可视化图表
 
 # Document Processing
-unstructured==0.22.21
-pypdf==6.10.0
-beautifulsoup4==4.14.3
-lxml==6.1.0
-pandas==3.0.2        # 若需Excel保留，否则移除
-spacy==3.8.14         # unstructured 可能依赖
+unstructured>=0.22.21
+pypdf>=6.10.0
+beautifulsoup4>=4.14.3
+lxml>=6.1.0
+spacy>=3.8.14         # unstructured 可能依赖