① 员工电脑上的采集流程
U盘插入 → 双击启动 → 自动扫描 → 去重筛选 → 网络判断分流 → 推送/落盘
说明：以上为采集器实际行为（已在本会话实测确认：推送接口可达、24种扩展名生效、去重逻辑通过验证）。
② 采集什么文件（24种扩展名）
| 类别 | 扩展名 | 说明 |
|---|
| 📄 文档 | .doc .docx .wps .rtf .ofd | Word / WPS / 富文本 / 电子公文 |
| 📊 表格 | .xls .xlsx .et .csv | Excel / WPS表格 / 数据 |
| 📽 演示 | .ppt .pptx .dps | PPT / WPS演示 |
| 📕 PDF/文本 | .pdf .txt .md | 扫描件 / 说明书 / 笔记 |
| 📐 CAD二维图纸 | .dwg .dxf .dwf .plt | 图纸（保留，重要） |
| 🗜 压缩包 | .zip .rar .7z | 打包的图纸/合同/资料 |
| ✉ 邮件 | .msg .eml | Outlook 往来报价/确认 |
明确不采
| 类型 | 原因 |
|---|
| 图片（jpg/png/gif/bmp） | 非目标资料，占空间 |
| 视频（mp4/avi/mkv） | 非目标资料，占空间 |
| 可执行文件（exe/dll/sys/msi） | 系统/程序文件 |
| 系统目录（Windows/Program Files/AppData/回收站等16类） | 跳过，不碰系统 |
③ 采集量参考
| 电脑类型 | 预计文件数 | 预计容量 | 说明 |
|---|
| 文员 / 办公机 | 50 ~ 300 个 | 0.1 ~ 2 GB | 日常文档/表格/邮件 |
| 技术 / 图纸岗 | 200 ~ 2000 个 | 1 ~ 20 GB | 含CAD图纸、PDF、压缩包 |
| 单文件上限 | 200 MB | — | 超出自动跳过 |
按SHA256去重后实际更少；468GB U盘足够装几十台机器的待补传数据。一台普通电脑采集全程约 3~15 分钟。
④ 需要跑模型吗？用什么模型？
员工电脑上不用跑任何模型——采集器只收集文件、不分析内容。模型只用在数据收回来之后的服务器端。
先判断要不要模型
| 用途 | 要不要模型 | 做法 |
|---|
| 只存档、按文件名检索 | 不需要 | 直接建文件索引即可 |
| 要"问文档内容"（标书问答/资料查询/自动总结） | 需要 | RAG 检索增强生成 |
推荐方案：本地嵌入 + 云端问答（成本最低）
模型选型与大小
| 环节 | 模型 | 大小 | 部署方式 | 成本 |
|---|
| 嵌入（文档转向量） | BAAI bge-m3 | 约 2.2 GB | 本地服务器，纯CPU可跑 | 免费开源 |
| 问答 / 总结 | 豆包 Seed2.1（火山方舟 ARK） | 云端API | 不用部署 | 按量付费（已有密钥） |
| 问答备用 | DeepSeek API | 云端API | 不用部署 | 按量付费（已有密钥） |
| 不推荐 | 本地 7B/14B 大模型 | 14GB+ 显存 | 需GPU工作站 | 员工电脑/普通服务器带不动 |
服务器要求
| 配置项 | 最低要求 | 建议 |
|---|
| CPU | 8 核 | 16 核（嵌入提速） |
| 内存 | 16 GB | 32 GB |
| 硬盘 | 按数据量 | 2 TB 起（图纸/PDF 体积大） |
| 显卡 | 不需要 | 8G显存卡嵌入提速5~10倍 |
| 嵌入耗时参考 | 1万份文档 | 纯CPU数小时；加显卡更快 |
一句话结论：采集回来的数据，先用免费开源的 bge-m3（2.2GB，本地CPU就能跑）做检索索引；要问答时接已有的豆包/DeepSeek 云端API。不用买大显卡、不用在每台电脑装模型。