期末大作业：基于 Python 的知识库管理系统
1. 引言
随着人工智能技术的快速发展，大语言模型（LLM）在教育领域的应用日益广泛。传统的学习笔记管理工具大多停留在文本编辑与存储层面，缺乏智能化处理能力，无法实现基于语义的内容检索与自动问答。学生在复习过程中往往需要手动翻阅大量笔记，效率较低，且难以快速定位关键知识点。
智能学习笔记管理系统旨在解决上述问题。该系统结合本地向量数据库与大语言模型 API，实现笔记的结构化存储、语义检索与智能问答，帮助学生高效管理与利用学习资料。本系统不仅是一个笔记管理工具，更是一个具备“理解能力”的学习助手，适用于日常学习、期末复习及课程设计展示。
本报告将对基于 Python 实现的智能学习笔记管理系统进行详细分析，介绍其设计思路、功能模块、技术实现方式及优缺点，为后续系统优化与扩展提供参考。
2. 系统背景及目标
在传统学习过程中，学生通常使用文本文件、Word 文档或简易笔记软件记录学习内容。这类工具虽然能够满足基本的记录需求，但在面对大量笔记时存在以下问题：
检索依赖关键词，无法理解语义；
无法根据已有笔记自动生成答案；
数据分散，缺乏统一管理与持久化机制。
针对上述问题，本系统引入RAG（Retrieval-Augmented Generation，检索增强生成） 技术，通过本地向量化存储笔记内容，并结合大语言模型进行智能问答。系统目标如下：
实现笔记的增删改查与本地持久化存储；
支持基于语义的相似笔记检索，而非单纯关键词匹配；
接入大语言模型 API，实现“问笔记、得答案”的智能交互；
提供图形化用户界面（GUI），降低使用门槛；
保证系统结构清晰、代码可读性高，适合作为教学示例与课程设计项目。
3. 系统功能
本系统围绕“笔记管理 + 智能问答”两大核心，划分为以下功能模块。
3.1 笔记信息管理
添加笔记：用户输入标题与内容，系统将其保存至 SQLite 数据库，并同步写入本地向量库（ChromaDB）。
删除笔记：通过笔记 ID 删除指定记录，同时从数据库与向量库中移除，保证数据一致性。
查看笔记：点击笔记列表可查看完整内容，便于回顾与编辑。
刷新列表：系统启动时自动加载历史笔记，并在新增或删除后实时刷新界面。
3.2 向量检索与智能问答
语义检索：用户输入问题后，系统将问题向量化，并在向量库中检索最相关的若干条笔记内容。
LLM 问答：将检索到的笔记作为上下文，调用大语言模型 API 生成针对性回答。
结果展示：问答结果在独立区域显示，支持连续提问与上下文切换。
3.3 数据持久化
SQLite 存储：用于保存笔记的元数据（ID、标题、内容、创建时间），确保结构化与可查询性。
ChromaDB 向量库：用于存储笔记内容的向量表示，支持高效的相似性检索。
数据同步：新增或删除笔记时，数据库与向量库保持同步，避免数据不一致问题。
3.4 图形化用户界面
主界面布局：左侧为笔记列表，右侧为笔记编辑区与智能问答区。
交互控件：包括标题输入框、内容编辑框、保存按钮、删除按钮、提问输入框与结果显示框。
事件绑定：列表选择、按钮点击、回车提交等操作均与后台逻辑紧密关联，形成完整交互闭环。
4. 技术设计与实现
4.1 系统架构
系统采用分层设计思想，主要包括：
数据层：SQLite + ChromaDB，分别负责结构化存储与向量存储；
逻辑层：封装笔记的增删改查、向量检索、LLM 调用等核心功能；
表现层：基于 Tkinter 构建 GUI，负责用户交互与结果展示。
4.2 核心数据结构
笔记数据：使用字典结构表示单条笔记，包含
id、title、content、created_at等字段；笔记集合：使用列表统一管理多条笔记，便于遍历与批量操作；
向量表示：通过
SentenceTransformer模型将文本转换为高维向量，存入 ChromaDB。
4.3 关键技术实现
数据库初始化：通过
sqlite3创建notes表，定义字段类型与约束；向量化处理：使用
all-MiniLM-L6-v2模型对笔记内容进行编码，生成固定长度向量；相似度检索：调用 ChromaDB 的
query接口，根据问题向量返回最相似的笔记文档；LLM 调用：基于 OpenAI 兼容接口，构造 Prompt，将笔记上下文与用户问题一并提交给大模型；
GUI 构建：使用 Tkinter 的
Frame、Listbox、Entry、ScrolledText等组件搭建界面，并通过bind方法绑定事件。
4.4 数据持久化策略
笔记元数据以 SQL 语句形式写入 SQLite；
向量数据由 ChromaDB 自动管理，无需手动维护索引；
系统启动时自动加载历史数据，关闭时不丢失。
5. 用户交互流程
系统启动后，进入图形化主界面，典型交互流程如下：
查看笔记：左侧列表显示所有已保存笔记，点击任意笔记可在右侧查看内容；
添加笔记：在标题与内容输入框中填写信息，点击“保存笔记”，系统提示保存成功并刷新列表；
删除笔记：选中笔记后点击“删除选中”，确认后笔记从列表与数据库中移除；
智能问答：
在问答区输入问题（如“什么是 RAG？”）；
系统首先在向量库中检索相关笔记；
然后调用 LLM API 生成回答；
最终结果展示在问答结果框中。
整个流程直观清晰，用户无需关注底层实现细节，即可完成笔记管理与智能问答操作。
6. 优缺点分析与改进建议
6.1 优点
功能创新：在传统笔记管理基础上引入 RAG 与 LLM，具备智能问答能力；
结构清晰：代码模块化设计，数据库、向量库、GUI 各司其职，易于理解与维护；
体验良好：图形化界面降低了使用门槛，适合非编程背景的学生使用；
扩展性强：当前实现为基础版本，可方便扩展为 Web 应用或多用户系统。
6.2 缺点
依赖外部 API：LLM 问答需联网调用，受网络与 API Key 限制；
向量库规模有限：本地 ChromaDB 适合中小规模数据，大规模场景下性能可能下降；
缺乏用户权限：当前为单用户系统，未区分不同用户的笔记空间；
界面美观度一般：Tkinter 界面较为朴素，未达到现代应用水准。
6.3 改进建议
引入PyQt / Electron 构建更现代化的用户界面；
增加用户登录与权限管理，支持多用户隔离；
支持PDF / Word 文档导入，自动提取文本并建立索引；
增加离线模型支持（如 Ollama + 本地 LLM），减少对外部 API 的依赖；
加入笔记标签、分类与收藏 功能，提升组织能力。
7. 结论
本智能学习笔记管理系统基于 Python 语言开发，融合了 SQLite、ChromaDB、SentenceTransformers 与大语言模型 API，实现了笔记的结构化管理与基于 RAG 的智能问答功能。系统在保证功能完整性的同时，注重代码清晰度与可扩展性，适合作为程序设计课程的期末大作业或课程设计项目。