关于本地文档RAG系统的帮助（存储 + 摄取 + 查询 + 高亮）

大家好，我正在设计一个本地离线文档检索与LLM流水线，希望听听大家的架构建议。以下是我的目标： **存储** 上传PDF、DOCX、XLSX、CSV、表格 所有数据本地存储（无云端） **文档摄取** 监听文件夹（例如Watchdog）→ 文件添加/修改/删除时自动摄取 嵌套文件夹结构 → 自动标注 支持格式：PDF、扫描版PDF、DOCX、XLSX、CSV、JPG/PNG 重新上传时的版本控制 **查询与检索** 查询限定在单个客户的文档范围内（无跨客户端泄漏） 结构化查询（例如“显示金额超过10万卢比的发票”） 比较性查询（例如“比较FY23与FY24毛利润”） 关键词回退 **高亮与渲染** 为前端提供带注释的PDF XLSX → 彩色单元格导出 直接跳转到高亮页面 一次响应中显示多个文档的高亮 **答案生成** 仅使用本地LLM 每个引用都需标注文档和页码 **我的问题** 解析：我在考虑使用LlamaIndex LiteParse。→ 是否需要为PDF存储文档ID和块ID以实现高亮？ 向量数据库：我是否需要向量数据库（例如Qdrant）？如果需要，如何在嵌入向量旁边存储文档ID和块ID以实现高亮？pgvector在Postgres中是否足够？ GraphRAG：像Neo4j或Microsoft GraphRAG的系统效果如何？它们能否在本地/离线运行，还是计算量太大？这个GraphRAG流水线是否是一个好的起点？ 高亮用户体验：我想要类似Turnitin/iThenticate报告的效果——精确句子的高亮+引用。有没有开源项目已经实现了这个功能？我找到了Kotaemon和AnythingLLM，它们很接近但未实现文档高亮。 **简单总结** 尝试构建一个本地RAG系统，包含： 存储 + 摄取 + 标注 查询 + 检索 + 高亮 使用本地LLM生成带引用的答案 寻求以下建议： 向量数据库 vs pgvector GraphRAG的离线可行性 最佳方式实现文档高亮与引用预览 非常希望听到任何构建过类似系统或探索过这些工具的人的意见。