目标描述 (Goal Description)

创建一个完全独立、现代化且轻巧的个人博客与笔记发布系统。在完全解耦 Trilium、支持本地到云端一键 API 同步以及原生单点 SQLite 存储的基础上，根据你长远的“私人知识智能库”愿景，将在底层架构上预埋 AI 知识检索机制的接口与表结构 (Future-proofing for RAG)，确保当你决定呼唤并部署这个“完全懂你的 AI”时，我们无需经历痛苦的数据库重构。

核心需求解析与应对方案

完全解耦与数据解析同步：本地写作、解压包导入解析，外加点击同步按钮后的点对点无缝加密云端推送 (API Upsert Sync)。
统一的 SQLite 单文件存储：彻底拒绝外挂外链图床配置。所有博文、标签、包括你写下产生的相关 AI 向量和精炼碎片以及图片本身，都将作为一整个包含着你精神资产的 .db 文件存放。
彻底的视觉升级与功能复刻：丢弃老旧写法，改采高响应式和深色/璃态的 Next.js 前端体系，复刻原本你在用并且好用的悬浮弹窗与交互设计。
【新增】为专属 AI 助手铺路 (RAG 机制预埋)：你脑海里这个“提取知识碎片反供自我演进”的技术叫 RAG (Retrieval-Augmented Generation，检索增强生成)。为了达成不把所有大白话丢给大模型导致上下文污染，且能在未来进行极速相似性召回的目标，我们将提前把这套“提取-向量化”的模型概念做进数据库基础里去。

Proposed Changes (技术架构与实施方案)

阶段一：全栈初始化环境 (Foundation) & AI 架构预埋

技术基底：Next.js + Prisma + SQLite 双栖环境（支持服务端本地挂载和云端展示）。
扩展后的数据库设计 (RAG-Ready)：
- Note 模型：标题、正文、分类。（日常使用层）
- Media 模型：文本内部通过富文本引用的私密照片文件二进制流。
- Relation 模型：你人为构造的显性交叉引用。
- AI_Knowledge_Chunk (预埋模型)：提前建一张专门的表单，与 Note 相关联。包含 refined_summary (AI 压缩精炼后的大纲语义)、vector_embedding (这篇笔记或精炼内容化为的数字向量数组)。未来你的 AI 就是通过在此表中用数学近似度比对（Cosine Similarity）这列字段，来瞬间想出“这类似于你从前解决XX遇到的YY”。即便当下不立刻开发此核心，但架子起来后，只需后续补充一个本地定时跑任务把写好的日记刷成向量的任务即可跑通。

阶段二：后台在线编辑器与端端同步 API (Sync Engine)

构建极简现代的 Admin Dashboard。
完成前诉的加密 API 通信同步接口，当未来 AI_Knowledge_Chunk 数据产生时，它们也将自动伴随着笔记的一键同步在不同终端中转移。

阶段三：笔记导入引擎解析

支持本地选择文件或原生旧导出的全家桶 .zip 一键上云与结构自动建表服务。

阶段四：前台界面与笔记地图 (Premium Web View & Note Map)

暗色自适应 (Dark Mode) 与视网膜屏幕玻璃态背景。
开发 D3.js 图谱作为侧边附随或主屏幕的节点树，可点击跟随跳转。
搜索中心：保留普通的全局正则文本匹配搜，并预留 Semantic Search（语义搜索）接口的展示组件位。

User Review Required

IMPORTANT

这张蓝图中不仅整合了全面解耦与 SQLite 内置存储、双端全自动热更新同步机制。更依据你的畅想，把 RAG 分块提取与向量检索的数据库存储逻辑 加持到了设计底层。等未来上线这个 AI 助手时，你不需要修改核心的 Note 存储，只需要加一个定时处理模块去切分数据往我们预埋好的扩展槽（AI_Knowledge_Chunk）里塞就好，一切皆被提前算准！如果以上方案无误，请你正式发令 Approve 授权定稿，我们将立刻着手执行阶段一！！

Verification Plan

SQLite 结构核验：数据库生成后，验证是否如期产生了支持扩展 JSON/Vector arrays 的知识图块关联表单，以确定不会对原有文本查询逻辑造成脏乱。
Sync 引擎基础核验：完成初版的本地/云端端口数据发送响应模拟拦截，确保连图片在内的完整对象能顺畅完成 JSON 转换与收发。

VibeCoding 导航：⬅️ 01-FutureNotes | 02-目标描述 (Goal Description) | ➡️ 01-衣承