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：

1. 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；

2. 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；

3. 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；

4. 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。