私有知识库（RAG）

公开行情与资讯回答的是"市场发生了什么"，但真正让判断有分量的，往往是你自己积累的研报、策略文档和研究笔记。这些一手资料散落在本地，模型看不到，判断也就无法建立在它们之上。Bastix 内置检索增强生成（RAG，Retrieval-Augmented Generation）知识库：你把文档上传进来，平台自动解析、切块、向量化并存入沙箱私有知识库；Agent 通过 reference_knowledge_search 语义检索召回相关片段——让判断建立在你自己的资料上，而不只是公开信息。

文档预处理管线

上传的文件不会阻塞你的对话，而是进入一条异步处理管线，逐步从原始文件变成可检索的知识：

1. 上传 —— 提交研报 / 策略 / 笔记（PDF、Word、图片等），平台立即返回任务号，不等解析完成。
2. 解析 —— 干净的电子版走 MarkItDown 快路径（秒级）；扫描件、复杂表格或图片自动切换 Docling 的 CPU OCR（支持中英文），无需 GPU。
3. 切块 + 向量化 —— 正文按 Markdown 结构切块，表格独立成块；每块用本地 embedding 编码为向量。
4. 入库 —— 向量写入沙箱私有知识库，随后即可被 reference_knowledge_search 语义检索召回。

任务状态在 pending → parsing → indexing → done 之间流转，失败会明确标注；进程重启时未完成的任务会自动重置重跑，不会卡死。

关键设计

• 扫描件与复杂表格也能读：MarkItDown 抽取过薄或遇到扫描件时自动兜底到 Docling OCR，整页扫描图也能读出文字。
• 表格结构化保留：每张表单独成块并附一段文字摘要，检索既能命中表格、又能溯源到具体页码，不会因为"表格被压成纯文本"而丢失结构。
• 数据不出沙箱：采用本地 embedding 模型（bge-small-zh，512 维），离线可用；知识库按 userId + sandboxId 隔离，写入 / 删除均校验所有权，不同用户与 沙箱 的资料互不串扰。
• 可靠且经济：以文件指纹（sourceHash）做幂等，同一文件不重复解析；支持 markdown / semantic-markdown / recursive 多种切块策略。
• 可选重排序：检索先召回较宽的候选集，再通过可选的 rerank 重排序，返回更相关的结果。

与长程记忆的关系

私有知识库与 长程记忆 相互补充，共同构成 Agent 的"知识底座"：

• 长程记忆 捕捉你与 Agent 的交互历史——关注的标的、定下的风险边界、上次复盘的结论。
• 私有知识库（RAG） 存储结构化的外部知识——研报、论文、策略文档等一手资料。

前者让 Agent 记得"我们聊过什么"，后者让 Agent 答得出"依据是什么"。

---

私有知识库让 Agent 的分析不止于公开信息，而是建立在你长期积累的研究资产之上，且全程数据不出沙箱、来源可溯。