fix(chat): RAG 检索同时召回笔记和转录内容

之前 query 只做一次全局检索，embedding 模型倾向匹配笔记，
导致转录原文几乎不会被召回。

- 改为分别对 markdown 和 transcript 各检索 n_results 条，
  合并后按距离排序取 top-n
- 更新 system prompt，明确区分笔记和转录两种来源，
  引导 LLM 根据问题类型选择合适的来源回答

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

backend/app/services/chat_service.py

@@ -8,14 +8,21 @@ from app.utils.logger import get_logger
 
 logger = get_logger(__name__)
 
-SYSTEM_PROMPT = """你是一个视频笔记问答助手。根据以下笔记内容回答用户的问题。
+SYSTEM_PROMPT = """你是一个视频笔记问答助手。你可以参考两种来源回答用户的问题：
-如果笔记内容中没有相关信息，请诚实告知用户。回答时尽量引用笔记中的具体内容。
+1. [笔记] — AI 生成的视频摘要笔记
+2. [转录] — 视频原始语音转录文本（含时间戳）
 
---- 相关笔记内容 ---
+以下是检索到的相关内容：
+
+--- 相关内容 ---
 {context}
 ---
 
-请用中文回答，保持简洁准确。"""
+回答要求：
+- 优先使用转录原文回答关于视频具体内容、原话、细节的问题
+- 优先使用笔记回答关于总结、要点、结构的问题
+- 如果确实没有相关信息，请诚实告知
+- 请用中文回答，保持简洁准确"""
 
 
 def _build_context(chunks: list[dict]) -> str:

backend/app/services/vector_store.py

@@ -111,18 +111,11 @@ class VectorStoreManager:
         collection.add(documents=documents, metadatas=metadatas, ids=ids)
         logger.info(f"向量索引完成: task_id={task_id}, chunks={len(all_chunks)}")
 
-    def query(self, task_id: str, query_text: str, n_results: int = 5) -> list[dict]:
+    def _parse_results(self, results: dict) -> list[dict]:
-        """检索与查询最相关的文档片段。"""
+        """将 ChromaDB query 结果转换为 chunk 列表。"""
-        col_name = self._collection_name(task_id)
-        try:
-            collection = self._client.get_collection(col_name)
-        except Exception:
-            logger.warning(f"Collection 不存在: {col_name}")
-            return []
-
-        results = collection.query(query_texts=[query_text], n_results=n_results)
-
         chunks = []
+        if not results or not results.get("documents") or not results["documents"][0]:
+            return chunks
         for i in range(len(results["documents"][0])):
             chunks.append({
                 "text": results["documents"][0][i],
@@ -131,6 +124,36 @@ class VectorStoreManager:
             })
         return chunks
 
+    def query(self, task_id: str, query_text: str, n_results: int = 5) -> list[dict]:
+        """
+        分别从 markdown 和 transcript 各检索，确保两种来源都被召回，
+        最后按距离排序返回 top-n。
+        """
+        col_name = self._collection_name(task_id)
+        try:
+            collection = self._client.get_collection(col_name)
+        except Exception:
+            logger.warning(f"Collection 不存在: {col_name}")
+            return []
+
+        all_chunks = []
+
+        # 分别从两种来源各检索 n_results 条
+        for source_type in ("markdown", "transcript"):
+            try:
+                results = collection.query(
+                    query_texts=[query_text],
+                    n_results=n_results,
+                    where={"source_type": source_type},
+                )
+                all_chunks.extend(self._parse_results(results))
+            except Exception:
+                pass
+
+        # 按距离排序，取 top-n
+        all_chunks.sort(key=lambda c: c.get("distance", 999))
+        return all_chunks[:n_results]
+
     def delete_index(self, task_id: str) -> None:
         """删除指定任务的向量索引。"""
         col_name = self._collection_name(task_id)