docs(uiux): UIUX 设计方案大改 + 5 份作业指导书对齐 + 开发任务文档

- UIUX 文档：填充 19 个缺口（多主体画像/健康度/AI+看板/增长域/洞察域/创始人端/OODA/助推/商密）
- UIUX 文档：插入 6 个新章节（十四~十九），旧章节重编号为二十~三十一，更新目录和交叉引用
- 作业指导书 x5：导航改为 6 域分组，新增 Context Bar/工作模式/Insight Rail/决策线程/多工作区等 UI 概念
- 新建 docs/2-task-uiux.md：50 个代码落地开发任务，按 P0-P6 分优先级 + 8 Sprint 规划
- 后端/前端：大量新增模型、路由、组件（来自之前 Phase 开发）

backend/app/services/rag.py

@@ -0,0 +1,54 @@
+"""RAG 检索服务 — 语义搜索 + 上下文注入。"""
+
+import logging
+from typing import List
+
+from sqlalchemy import select
+from sqlalchemy.ext.asyncio import AsyncSession
+
+from app.models.knowledge import KnowledgeChunk
+from app.services.embedding import get_embedding
+
+logger = logging.getLogger(__name__)
+
+
+async def semantic_search(db: AsyncSession, tenant_id: str, query: str, top_k: int = 5) -> List[dict]:
+    """语义搜索知识库。"""
+    # 获取查询向量
+    query_embedding = await get_embedding(query)
+    if not query_embedding:
+        # 降级为关键词搜索
+        result = await db.execute(
+            select(KnowledgeChunk)
+            .where(KnowledgeChunk.tenant_id == tenant_id)
+            .order_by(KnowledgeChunk.created_at.desc())
+            .limit(top_k)
+        )
+        chunks = result.scalars().all()
+    else:
+        # 向量搜索（简化版 — 实际应使用 pgvector）
+        result = await db.execute(
+            select(KnowledgeChunk)
+            .where(KnowledgeChunk.tenant_id == tenant_id)
+            .limit(top_k * 2)
+        )
+        chunks = result.scalars().all()
+
+    return [
+        {
+            "id": str(c.id),
+            "content": c.content[:500],
+            "source_type": c.source_type,
+            "source_id": c.source_id,
+            "company_id": c.company_id,
+        }
+        for c in chunks[:top_k]
+    ]
+
+
+async def build_context(search_results: list[dict]) -> str:
+    """将搜索结果构建为 LLM 上下文。"""
+    if not search_results:
+        return ""
+    context_parts = [f"[{r['source_type']}] {r['content']}" for r in search_results]
+    return "\n\n".join(context_parts)