纯前端本地 RAG 工具

RAGClaw 是一款纯前端本地运行的 AI 知识库问答工具，所有文档、向量数据都存在你的浏览器里，不上传第三方服务器，隐私拉满。
核心亮点：
📄 多格式解析：支持 TXT/Markdown/PDF/DOCX，自动提取纯文本
🧩 智能分块：文档按段落 / 句号重叠分块，代码按函数 / 类边界精准切割
🔍 混合检索：通义千问向量模型 + BM25 关键词检索，RRF 融合排序，召回更准
🤖 AI 问答：qwen-turbo 大模型对话，支持多轮上下文，回答带原文溯源
📊 全本地存储：IndexedDB 持久化，数据不上传，隐私无风险
📱 响应式设计：支持亮色 / 暗色模式，移动端适配
适合开发者、学生、职场人用来做资料整理、论文阅读、文档问答，现在国内直接访问就能用👇

这是一个本人独立开发的rag知识库
qwen-turbo 作为生成模型
响应速度和成本通常比更大模型更友好，适合聊天式知识库问答。
兼容流式输出，前端体验更好（边生成边展示）。
中文场景表现稳定，和你的项目语境匹配度高。
text-embedding-v2 作为向量模型
用同一供应商（通义）做 embedding + generation，接口和行为更一致，集成复杂度低。
向量质量对中文检索够用，适合文档问答场景。
API 简单，便于在前端快速做批量向量化。
混合检索（向量相似度 + BM25 + RRF）
纯向量检索容易漏掉关键词精确匹配；纯关键词又不理解语义。
混合后兼顾“语义相关”和“关键术语命中”，召回更稳。
RRF 融合实现简单、鲁棒，不需要训练就能提升排序质量。
本地向量库（IndexedDB + Dexie）
纯前端就能运行，不依赖自建后端向量数据库，开发门槛低。
数据留在浏览器本地，隐私性更好。
适合 demo/中小规模知识库，体验启动快。
Vercel Serverless 代理（生产环境）
避免在浏览器直接暴露 API Key，安全性更好。
保留前端架构轻量的同时补齐密钥管理能力。
部署成本低，和 Vite 前端项目配合简单。