用途：把一整个文档文件夹构建成可语义检索的知识库，适合技术标准库（API、ISO、ASME 等）、工程文档和历史扫描件的智能搜索。
主要能力：普通 PDF 文本提取（PyMuPDF）；扫描/图像型 PDF 的 OCR（Tesseract + pytesseract）；DRM 加密文件检测；带重叠的文本分块（1000 字符、200 重叠）；向量嵌入（sentence-transformers）；SQLite 存储与全文检索；余弦相似度语义搜索。
使用方式：先安装系统依赖（Ubuntu/Debian：sudo apt-get install -y tesseract-ocr tesseract-ocr-eng poppler-utils；macOS：brew install tesseract poppler；用 tesseract --version 验证），再安装 Python 依赖：pip install PyMuPDF pytesseract Pillow sentence-transformers numpy tqdm。构建知识库：python build_knowledge_base.py /path/to/documents --embed；跳过 OCR 可加 --no-ocr；搜索：python build_knowledge_base.py /path/to/documents --search "your query"，可用 --top-k 控制返回条数。脚本按清单、提取、OCR、分块、嵌入、语义搜索的顺序执行，数据库默认名为 _inventory.db。
限制与注意事项：资料未提供收费、价格或平台信息。CUDA 不可用时可设置 CUDA_VISIBLE_DEVICES="" 强制 CPU；Tesseract 未安装会报错；DRM 保护文件会以 drm_protected 标记并跳过；SQLite 并发访问需使用 timeout=30 避免锁定；大库检索采用随机抽样（默认 50000 条）而非全量比对，可能影响召回完整性。性能数据在资料中仅部分给出（约每秒 50 页）。