aika-research-mcp 0.1.0

Evidence-driven AI compute industry-chain research MCP server and local SQLite CLI.

AIKA

基于 AI 算力产业链的投研 Agent 问答系统 —— 可嵌入第三方 Agent 的 MCP/Skill 投研插件

项目简介：面向 AI 算力产业链投研场景，构建可追溯、有证据引用的 Agent 问答系统，并以 MCP Server + Skill 插件形态嵌入 Claude Code 等第三方 Agent 工作流。覆盖 AI 服务器、芯片、光模块、液冷、数据中心等核心主题，支持产业链分析、公司对比、风险识别、证据引用和研究报告生成。

技术栈：Python + LangGraph + RAG + 知识图谱 + MCP

项目亮点： • 投研知识库构建：整合 61 份 PDF 文档，构建 RAG 知识库、Claim / Evidence 证据体系、Segment Dossier 和实体关系图谱，形成结构化投研知识底座 • 混合问答链路设计：设计"Agent + 知识图谱 + RAG"混合问答流程，实现任务规划、多路检索、证据重排、答案生成与支撑性校验 • MCP/Skill 插件化：将投研能力封装为 MCP Server 与 Skill，支持一键安装至 Claude Code 等宿主 Agent，无需 Docker 或 Web 即可在 Agent 对话中直接调用投研工具 • RAG 检索评测与系统验证：基于 50 条测试用例完成 BM25、语义搜索及 RRF 融合检索评测，并通过 LLM 自动标注增强降低 unjudged 率；同步完成 15 个投研问题 QA smoke test 与 15 个 Agent 任务样例测试，验证端到端可用性

---

AIKA 是一个面向 AI 算力产业链的证据驱动智能问答与投研 Agent 系统。系统以本地 CSV 知识图谱、Claim/Dossier、RAG 文档块和可选 Neo4j/LLM/embedding 为证据层，通过 FastAPI 提供后端接口，通过 React 工作台提供对话、证据、图谱和 Agent 任务视图。

Quick Start

正式发布后，用户可以直接从 PyPI 安装并运行本地 sample 流程：

pip install aika-research-mcp
aika init --sample
aika build-index
aika doctor
aika demo

发布前或源码开发时，也可以先从本仓库构建并安装本地 wheel：

cd /home/sanmu/AIQASYS
UV_CACHE_DIR=/tmp/uv-cache uv build
UV_CACHE_DIR=/tmp/uv-cache uv tool install dist/aika_research_mcp-0.1.0-py3-none-any.whl --force

默认安装只依赖本地 SQLite + MCP，不需要 PostgreSQL、Neo4j、LLM 或 embedding 服务。生成后的目录形态：

~/.aika/
  config.toml
  knowledge/sample/
  indexes/sample.sqlite
  logs/

Local MCP Quick Start

公开版 AIKA 可以作为本地 MCP Server 接入 Claude Code。用户不需要手写 .mcp.json 或 ~/.claude.json：

aika mcp install --host claude-code --scope user
claude
/mcp

常用诊断和高级配置命令：

aika mcp config --host claude-code
aika mcp doctor
aika mcp install --host claude-code --scope user --dry-run
aika mcp install --host claude-code --scope user --force

• aika mcp config：只打印 Claude Code 需要的 MCP server JSON，适合高级用户手动复制。
• aika mcp install：通过 Claude Code CLI 注册名为 aika 的 MCP server；已有同名配置时需要显式 --force。
• aika doctor：检查 Python、AIKA home、sample data、SQLite index、MCP server、tools 注册和 sample query。
• aika mcp doctor：检查 MCP server 与 Claude Code 配置，并给出修复建议。

轻量本地索引

公开版可以不启动 PostgreSQL/ParadeDB，直接使用单文件 SQLite FTS5 索引检索 Claim、证据片段和 Dossier。默认本地目录为 ~/.aika，也可以通过 AIKA_HOME 或 --home 指定。

aika init --sample
aika build-index
aika doctor
aika demo
aika search-evidence "液冷产业链" --top-k 5
aika search-claims "光模块" --top-k 5

源码开发环境仍可用：

UV_CACHE_DIR=/tmp/uv-cache uv run aika init --sample
UV_CACHE_DIR=/tmp/uv-cache uv run aika build-index
UV_CACHE_DIR=/tmp/uv-cache uv run aika doctor

aika.aika_cli 显式使用 SQLite backend；现有 Web/API/QAEngine 默认路径仍保持 CSV、Neo4j、PostgreSQL 的原有行为。

开发 CLI

python main.py api --host 0.0.0.0 --port 8000 --reload
python main.py web --host 0.0.0.0 --port 5173 --api http://127.0.0.1:8000
python main.py agent --type research_brief "液冷产业链" --offline --json
python main.py eval --suite qa --offline --benchmark data/eval/qa_benchmark_v1.jsonl --report-dir data/eval_runs --k 6 --json
python main.py eval --suite rag --retrievers bm25 --benchmark data/eval/rag_retrieval_v1.jsonl --report-dir data/eval_runs
python main.py eval --suite agent --offline --limit 1 --task-dir /tmp/aiqasys-agent-tasks --json
python main.py demo --offline --task-dir /tmp/aiqasys-demo-tasks

默认离线评测会使用本地 CSV/Claim/Dossier 证据并禁用 LLM、embedding、Neo4j。需要真实模型时，先配置 .env，再加 --use-llm；需要语义索引时加 --use-embedding。

第一阶段：数据准备

初始化并下载最新可用年报、公开 AI 算力产业链研报、权威行业白皮书和专业技术源：

python scripts/prepare_stage1_data.py --kind all --max-research 10

只查看候选文件，不下载：

python scripts/prepare_stage1_data.py --kind annual --dry-run
python scripts/prepare_stage1_data.py --kind research --max-research 10 --dry-run
python scripts/prepare_stage1_data.py --kind industry --dry-run

输出目录：

• data/raw_pdfs/annual/：30 家核心上市公司的最新可用年报。
• data/raw_pdfs/research/：公开可直接访问的 AI 算力产业链研报。
• data/raw_pdfs/industry/：中国信通院等权威机构白皮书、政策、标准资料，以及 IRDS/HIR、UCIe、UALink、Ultra Ethernet、OCP/OIF、MLPerf、arXiv 论文和模型技术报告等专业技术源。
• data/metadata/companies_extended.csv：30 家核心上市公司、别名和产业链环节。
• data/metadata/research_keywords.csv：研报检索关键词配置。
• data/metadata/industry_sources.csv：行业知识源配置，支持 authority_whitepaper、technical_roadmap、open_specification、manual_open_specification、benchmark_methodology、technical_paper、model_technical_report 等类型。
• data/metadata/reports_manifest.csv：PDF 来源、状态、SHA256、文件大小和页数。

手工下载或暂缺直链的开放规范可以保留为 manual_open_specification；如果本地文件尚未补齐，manifest 会保留 manual_reference 状态，不阻塞已下载技术源入库。

第二、三阶段：知识抽取与图谱构建

配置本地环境变量文件：

cp .env.example .env

.env 默认使用 DeepSeek OpenAI 兼容接口，填入 LLM_API_KEY 后即可运行。当前示例配置启用 DeepSeek 思考模式：

• LLM_MODEL=deepseek-v4-pro
• LLM_THINKING_ENABLED=true
• LLM_REASONING_EFFORT=high

如果账号仍使用旧版推理模型，可把 LLM_MODEL 改为 deepseek-reasoner。

解析 PDF 并生成文本块：

python scripts/parse_pdfs.py \
  --manifest data/metadata/reports_manifest.csv \
  --ocr-mode auto \
  --ocr-language chi_sim+eng \
  --min-text-chars 80

解析器使用 PyMuPDF 的版面文本块和表格检测，将正文与表格分别清洗和分块。 表格以结构化行列及 Markdown 保存，低文本页在本机具备 Tesseract 时自动 OCR； 未安装 OCR 依赖时只记录警告。解析质量汇总写入 data/parsed_text/parse_quality.csv。需要全量覆盖旧解析结果时增加 --force。

调用 LLM 抽取实体关系。建议按报告类型分批跑：

python scripts/extract_knowledge.py --kind research --contains 算力 --limit-chunks 20 --sleep 0.3
python scripts/extract_knowledge.py --kind annual --contains 服务器 --limit-chunks 50 --resume --sleep 0.3
python scripts/extract_knowledge.py --kind industry --contains 智能算力 --limit-chunks 50 --resume --sleep 0.3
python scripts/extract_knowledge.py --kind industry --contains UCIe --limit-chunks 20 --resume --sleep 0.3

一次性跑完

python scripts/extract_knowledge.py --resume --sleep 0.3

生成可人工校验的实体和关系表：

python scripts/build_verified_graph.py

启动 Neo4j 并导入图谱：

docker compose up -d neo4j
python scripts/load_neo4j.py --clear

如果当前机器没有 Docker 权限，可以先校验 CSV 是否满足导入条件：

python scripts/load_neo4j.py --dry-run

生成目录：

• data/parsed_text/：逐页文本 JSONL 和合并 TXT。
• data/chunks/：面向 LLM 抽取的文本块。
• data/extracted/：LLM 原始抽取 JSONL 和错误记录。
• data/verified/entities.csv、data/verified/relations.csv：可人工校验后导入 Neo4j 的图谱数据。

新增行业本体节点和关系：

• 节点：IndustryConcept、Policy、Standard、ValueChainSegment。
• 关系：UPSTREAM_OF、DOWNSTREAM_OF、ENABLES、CONSTRAINS、DEFINES、SUPPORTED_BY_POLICY。
• 关系保留 source_tier，公司实体保留 is_core_company，用于区分核心上市公司和一般提及主体。
• 技术源抽取提示会更偏向 ontology-only：优先抽技术、瓶颈、指标、标准和产业环节；只有原文明确出现核心 A 股上市公司时才抽 Company。

第四阶段：Neo4j + 本地 RAG + LLM 问答

先生成专业版 curated 图谱。该步骤会从 data/verified/ 自动图谱中过滤非核心上市公司噪声、目录/释义页误抽取关系和低价值会计科目指标，并同步生成投研 Claim、证据片段和主题 dossier：

python scripts/build_curated_graph.py

启动 ParadeDB 并执行数据库 migration：

docker compose up -d postgres
UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/migrate_postgres.py

首次切换时，可把现有 RAG、Claim、Dossier 和审核覆盖层导入 PostgreSQL：

UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/bootstrap_postgres_retrieval.py

PDF 或清洗规则更新后的完整重建顺序：

python scripts/parse_pdfs.py --force --ocr-mode auto
python scripts/build_rag_index.py
python scripts/extract_knowledge.py --sleep 0.3
python scripts/build_verified_graph.py
python scripts/build_curated_graph.py
UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/build_embedding_index.py --force

build_rag_index.py、build_curated_graph.py 和 build_research_artifacts.py 会事务写入 PostgreSQL，并删除数据库中已不在本次构建结果内的旧记录。知识抽取和 Embedding 会调用外部服务，执行前应确认密钥、费用和人工校验流程。

增量生成 PostgreSQL embedding：

UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/build_embedding_index.py

默认只处理 missing、stale 或 failed 记录；--force 会重建全部向量。 原文、Claim 和 Dossier 统一使用 2048 维向量，问答时通过 pgvector HNSW 执行 cosine 召回。可先用 --dry-run 查看待处理数量。

切换 API 前执行数量与检索质量门禁：

UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/validate_postgres_cutover.py --run-eval

默认验收 6189 个原文块、568 个 Claim、9 个 Dossier、6766 条 ready 向量， 并要求 BM25、semantic、RRF 的 recall@6 分别不低于 0.51、0.85、0.85。

如果只想重建投研推理层，可以单独运行：

python scripts/build_research_artifacts.py

默认会合并两类来源：

• 从 data/curated/relations.csv 派生公司、主题、产业链和风险 Claim。
• 从 data/chunks/industry_tech_*.jsonl 选择性直抽 mechanism、bottleneck、indicator、supply_chain、risk 等技术 Claim，并过滤英文法律声明、版权页、目录页、参考文献和纯表格噪声。

如果需要回到只使用关系派生 Claim 的旧行为，可以运行：

python scripts/build_research_artifacts.py --no-direct-claims

专业问答链路：

• QuestionPlan 先解析问题意图、公司、主题、关系、是否比较、是否只看核心上市公司。
• 图谱检索默认读取 data/curated/；Neo4j 可用时作为增强后端，不可用时自动降级 CSV。
• 原文 RAG 使用 ParadeDB pg_search 的 Jieba BM25，保留同义词扩展、来源优先级、噪声过滤和去重。
• 结构化证据会统一成 evidence_cards，再生成“结论、证据、研究要点、风险与边界”格式答案。
• Claim/Dossier 规则召回和原文/Claim/Dossier 向量召回均直接读取 PostgreSQL。
• 旧 data/rag、Claim/Dossier 和 semantic index 文件只保留用于 bootstrap、基线对比和结果审计，不参与运行时查询。
• 答案只做事实归纳和研究框架，不提供买卖建议、目标价或收益预测。

新增配置：

• KG_DATA_DIR：专业图谱目录，默认 data/curated。
• QA_GRAPH_BACKEND：auto、csv 或 neo4j，默认 auto。
• QA_CORE_COMPANIES_ONLY：公司列表类问题默认只返回核心 A 股上市公司。
• QA_RERANK_TOP_N：证据重排候选数量。
• QA_EVIDENCE_TOP_N：最终进入答案的证据卡片数量。
• QA_RERANK_MODE：GraphRAG 证据精排模式，支持 auto、heuristic、llm，默认 auto；宽问题且 LLM 可用时才会调用 LLM 精排。
• QA_DRIFT_MAX_SUBQUESTIONS：DRIFT 宽问题最多拆解的子问题数，默认 6。
• QA_GLOBAL_DOSSIER_TOP_K：GraphRAG global dossier 召回数量，默认 3。
• QA_LOCAL_CLAIM_TOP_K：GraphRAG local claim 召回数量，默认 12。
• QA_GRAPH_PATH_TOP_K：GraphRAG 多跳路径数量，默认 6。
• DATABASE_URL：必填的 PostgreSQL 连接串。
• QA_DISABLE_POSTGRES：设为 true 时完全跳过 PostgreSQL retrieval 初始化，用于纯离线 CSV demo/eval；默认 false。
• DB_POOL_MIN_SIZE、DB_POOL_MAX_SIZE：共享同步连接池大小，默认 1 和 8。
• PG_HNSW_EF_SEARCH：每次向量查询的 HNSW 搜索宽度，默认 100。
• RAG_TOP_K：每次问答检索的原文块数量。
• EMBEDDING_BASE_URL：OpenAI-compatible embedding 服务地址；未配置时回退 LLM_BASE_URL。
• EMBEDDING_API_KEY：embedding 服务 API key；未配置时回退 LLM_API_KEY。
• EMBEDDING_MODEL：embedding 模型名；为空时关闭 embedding 语义召回。
• EMBEDDING_BATCH_SIZE：增量向量化时的批量大小，默认 32。
• EMBEDDING_DIMENSIONS：固定为 2048。
• SEMANTIC_TOP_K：Agent 每轮语义召回数量，默认 8。
• QA_GRAPH_LIMIT：Neo4j 查询结果上限。
• QA_ENABLE_LLM_CYPHER：是否启用 LLM 生成 Cypher；默认关闭，使用本地模板查询。
• QA_ENABLE_LLM_PLANNER：是否启用 LLM 问题规划；默认关闭，优先使用本地启发式规划。
• QA_ENABLE_AGENT：是否启用智能体 Runner；默认开启，可设为 false 回退旧 workflow。
• QA_AGENT_RUNNER：Agent 编排器，支持中心化并行 multi-agent 的 langgraph 和串行回退 legacy，默认 langgraph；同步与流式问答共用所选 runner。
• QA_AGENT_MAX_STEPS：Agent ReAct 循环最大步数，默认 4，实现上限 4。
• QA_MULTI_AGENT_MAX_WORKERS：中心化 runner 每轮查询 Agent 最大并发数，默认 5。
• QA_MULTI_AGENT_MAX_LLM_CALLS：中心化 runner 单次问答共享的 LLM 调用预算，默认 12；耗尽后自动使用确定性规则。
• QA_MULTI_AGENT_TASK_TIMEOUT_SECONDS：中心化 runner 单轮并行查询超时秒数，默认 90。
• QA_CONTEXTUALIZER_MODE：追问改写模式，支持 auto、heuristic、llm，默认 auto。
• QA_ENABLE_HYDE：是否启用 HYDE 检索扩展，默认开启；无 LLM 或生成失败时自动回退原问题检索。
• QA_HYDE_QUERY_MODE：HYDE 文本检索 query 模式，支持 hybrid（原问题 + 假想答案，默认）和 answer_only。
• QA_HYDE_MAX_CHARS：HYDE 假想答案最大字符数，默认 700；HYDE 只用于 RAG/Claim/Dossier/semantic/GraphRAG 文本召回，不作为最终证据。
• QA_HISTORY_MAX_TURNS：LLM 压缩后仍保留原文的最近对话轮数，默认 3。
• QA_HISTORY_MAX_CHARS：历史摘要与最近原文的总字符预算，默认 4000。
• QA_HISTORY_COMPRESSION_ENABLED：是否用 LLM 将更早对话压成短期记忆摘要，默认开启。
• QA_HISTORY_SUMMARY_MAX_CHARS：短期记忆摘要的最大字符数，默认 1600。
• QA_HISTORY_COMPRESSION_CHUNK_CHARS：长历史分段压缩时单段的最大字符数，默认 12000。
• QA_UI_RENDER_LATEST_ONLY：前端是否只默认渲染选中轮次的证据详情，默认开启。
• LLM_THINKING_ENABLED：是否向 DeepSeek 请求开启思考模式，快问快答默认关闭。
• LLM_REASONING_EFFORT：DeepSeek 思考强度，快问快答默认 low。

运行专业问答回归评测：

UV_CACHE_DIR=/tmp/uv-cache uv run pytest -q tests/test_frontend_data.py tests/test_research_claims.py tests/test_rag_qa.py tests/test_professional_qa.py
UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/load_neo4j.py --dry-run
UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/evaluate_qa.py
UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/benchmark_qa_speed.py

如果要让评测也调用已配置的 LLM：

UV_CACHE_DIR=/tmp/uv-cache uv run python scripts/evaluate_qa.py --use-llm

本次稳定版增强后的核心回归结果：

• tests/test_frontend_data.py、tests/test_research_claims.py、tests/test_rag_qa.py、tests/test_professional_qa.py 共 26 个测试通过。
• scripts/evaluate_qa.py 扩展为 15 个稳定版样例，当前 30/30 通过，并检查 evidence cards、citation id 和 answer subgraph。
• scripts/load_neo4j.py --dry-run 校验通过，当前 curated CSV 可导入。

可重点抽样的问题：

• Ultra Ethernet 对算力网络有什么意义？
• DeepSeek-V3 对训练算力瓶颈有什么启示？
• UCIe/Chiplet 对国产算力产业链的传导是什么？

第五阶段：React + FastAPI 前端展示

推荐使用新的 React 工作台。后端 API 复用现有 QAEngine、CSV/Neo4j 图谱和 PostgreSQL 检索后端，并把问答历史自动保存到 data/conversations/，前端可以直接点击历史会话恢复并继续追问。

安装 Python 依赖后启动 API：

UV_CACHE_DIR=/tmp/uv-cache uv run uvicorn aika.api:app --reload --port 8000

安装并启动前端：

cd web
npm install
npm run dev

浏览器打开 Vite 输出的地址（默认 http://localhost:5173）。Vite 会把 /api 请求代理到 http://127.0.0.1:8000。

如果 8000 端口已被占用，可以把 API 启动到其他端口，并在启动 Vite 时指定代理目标：

UV_CACHE_DIR=/tmp/uv-cache uv run uvicorn aika.api:app --reload --port 8001
cd web
VITE_API_PROXY_TARGET=http://127.0.0.1:8001 npm run dev

React 工作台包括：

• 智能问答：主流 chatbot 式对话流，支持连续追问、发送中状态、错误提示和证据详情抽屉。
• 自动会话库：每轮问答自动落盘，侧栏可新建、恢复、重命名、删除、导出 Markdown。
• 数据概览：实体、关系、报告数量、图谱/RAG/LLM 状态和分布。
• 产业链图谱：按公司、技术、关系类型筛选子图和明细。
• 输入框模型控制：可在对话框底部切换 DeepSeek 思考模式，并循环选择 low、medium、high 思考强度。

生产构建：

cd web
npm run build

第六阶段：RAG 检索评测与数据集标注增强

基于 50 条测试用例（data/eval/rag_retrieval_v1.jsonl）对 BM25、语义搜索和 RRF 融合进行 chunk-level 检索评测。

快速运行

# BM25 检索（仅需 PostgreSQL）
DATABASE_URL=postgresql://aiqasys:aiqasys@localhost:5432/aiqasys \
  uv run python main.py eval --suite rag --limit 50

# BM25 + 语义 + RRF 融合（需先构建 embedding）
DATABASE_URL=postgresql://aiqasys:aiqasys@localhost:5432/aiqasys \
  uv run python main.py eval --suite rag --use-embedding --limit 50

# 自定义参数
DATABASE_URL=... uv run python main.py eval --suite rag \
  --limit 10 --ks 1,3,6,12 --retrievers bm25,rrf \
  --candidate-k 60 --json --no-save

评估指标

指标	含义
recall@K	必需证据单元的召回率
precision@K	返回 K 条中相关项比例
hit_rate@K	至少命中一条直接证据的 case 比例
mrr@K	平均倒数排名（第一个相关结果的排位倒数均值）
ndcg@K	归一化折损累计增益（排序质量）
unjudged@K	返回结果中未被数据集标注的比例

降低 unjudged 率：LLM 自动标注增强

当 unjudged@K 过高（如 >80%）时，评测指标的 precision/recall 可信度低。系统提供 LLM 自动标注流水线，批量判定 review queue 中的未标注 chunk 并写回数据集。

Step 1 — 运行评测，生成 review queue： 评测产生的 *_unjudged.jsonl 文件即为待标注队列，包含每个未标注 chunk 的来源、章节和内容片段。

Step 2 — LLM 批量自动标注：

# 预览（不调用 LLM，查看去重统计）
python scripts/auto_judge_review.py \
  --input data/eval_runs/rag_eval_xxx_unjudged.jsonl \
  --dataset data/eval/rag_retrieval_v1.jsonl \
  --dry-run

# 正式标注（8 chunk/批次，~290 次 LLM 调用处理全部 2313 个 unjudged chunk）
python scripts/auto_judge_review.py \
  --input data/eval_runs/rag_eval_xxx_unjudged.jsonl \
  --dataset data/eval/rag_retrieval_v1.jsonl \
  --output data/eval_runs/auto_judgments.jsonl \
  --batch-size 8

LLM 对每个 chunk 输出 grade（0=不相关, 1=部分相关, 2=直接支撑）、匹配的 unit_id、置信度和判定理由。低置信度的项自动标记 needs_review 供人工抽查。

Step 3 — 写回增强数据集：

# 预览变更（不写入文件）
python scripts/apply_judgments.py \
  --judgments data/eval_runs/auto_judgments.jsonl \
  --dataset data/eval/rag_retrieval_v1.jsonl \
  --dry-run

# 生成增强版数据集
python scripts/apply_judgments.py \
  --judgments data/eval_runs/auto_judgments.jsonl \
  --dataset data/eval/rag_retrieval_v1.jsonl \
  --output data/eval/rag_retrieval_v2.jsonl \
  --backup

# 可选：仅应用高置信度标注，跳过 needs_review 项
python scripts/apply_judgments.py \
  --judgments data/eval_runs/auto_judgments.jsonl \
  --dataset data/eval/rag_retrieval_v1.jsonl \
  --output data/eval/rag_retrieval_v2.jsonl \
  --skip-needs-review --min-confidence 0.7

Step 4 — 用增强数据集重新评测：

DATABASE_URL=postgresql://aiqasys:aiqasys@localhost:5432/aiqasys uv run python main.py eval \
  --suite rag \
  --benchmark data/eval/rag_retrieval_v2.jsonl \
  --retrievers bm25,semantic,rrf \
  --use-embedding

检索时间测试

docker exec aiqasys-postgres psql -U aiqasys -d aiqasys -c "
EXPLAIN ANALYZE
SELECT chunk_id, company, source_title,
       pdb.score(id) AS bm25_score
FROM rag_chunks
WHERE search_text ||| '液冷 服务器 散热'
ORDER BY pdb.score(id) DESC
LIMIT 6;
"