企业官网建设流程全解析

1. “context-mode”到底是什么？别被术语唬住，它本质是让AI真正“听懂上下文”的工程实践

你最近在技术社区、开发群聊甚至项目评审会上，大概率已经反复刷到context-mode这个词——它不像“微服务”或“容器化”那样有教科书定义，也不像“React”或“Vue”那样指向具体框架，而更像一个正在成型的工程共识层概念。它不是某个开源库的名字，也不是某家大厂新发布的API，而是开发者在真实落地AI能力时，为解决一个顽固问题所形成的统一应对策略：如何让大模型在复杂交互中持续、稳定、可预测地理解并响应用户当前语境，而不是每次提问都从零开始“猜心思”。

这个“语境”，就是 context。而 mode，则是模式——一种可配置、可切换、可验证的运行状态。所以，“context-mode”直白翻译就是：让系统进入一种以深度维护和主动利用上下文为核心的运行模式。它背后站着的，是 SQLite 的 FTS5 全文检索引擎、BM25 相关性算法、MCP 协议（Model Context Protocol）等一系列看似分散却逻辑自洽的技术组合。你不需要背下所有缩写，但必须明白：当有人提“我们得上 context-mode”，他真正想说的是——“不能再靠 prompt 工程硬扛了，得建一套轻量、可靠、能嵌入任何终端的本地上下文管理管道”。

我做过6个带AI交互的生产级项目，从内部知识库助手到嵌入式设备语音控制，踩过最深的坑就是“上下文断裂”：用户问“刚才说的那个参数怎么调？”，模型一脸懵；或者连续追问三次后，回答开始漂移、重复、甚至编造。传统方案要么堆 token 让模型记更多，成本爆炸；要么用 Redis 缓存对话流，但一断网、一重启，上下文全丢。直到我把 SQLite + FTS5 + BM25 拆开揉碎重装一遍，才真正把“上下文”从一个飘忽的概念，变成硬盘里一个.db文件里可查、可索引、可版本化的实体。它不依赖云端、不绑定特定模型、不增加额外服务依赖——这就是 context-mode 的底层底气。

适合谁看？如果你正面临这些场景，这篇就是为你写的：

• 你在用 LangChain 或 LlamaIndex 做 RAG，但发现向量检索在短文本、同义词、拼写容错上频频翻车；
• 你的产品需要离线运行（比如车载系统、工控终端），却还要支持“接着上次聊”的自然对话；
• 你团队在争论要不要引入 Milvus 或 ChromaDB，但服务器资源只够跑一个 SQLite；
• 你试过用 JSON 存对话历史，结果查一条“上周提到的故障代码”要遍历上千条记录，响应慢到用户放弃。

别急着去 GitHub 搜“context-mode”仓库——目前没有官方标准实现。它是一套方法论，而下面我要拆解的，是我用三个月在真实产线压测出来的最小可行架构：用 SQLite 的 FTS5 当上下文中枢，用 BM25 算法做语义锚点，用 MCP 协议定义数据交换契约。不讲虚的，直接上刀。

2. 为什么是 SQLite + FTS5 + BM25？这三件套不是凑数，而是经过十万次查询验证的黄金组合

很多人看到“SQLite”第一反应是：“这玩意儿不是存用户注册信息的小玩具吗？”——这种认知偏差，恰恰是 context-mode 落地的最大障碍。我们必须先破除一个迷思：数据库选型，从来不是比“高大上”，而是比“在你的约束条件下，谁最不容易出错”。对 context-mode 而言，核心约束就三条：单文件部署、毫秒级响应、无外部依赖。在这个前提下，SQLite 不是妥协，而是最优解。

2.1 SQLite 为何不可替代？不是因为它“轻”，而是因为它“确定”

对比其他方案，SQLite 的优势不是性能参数，而是行为确定性：

• 事务原子性：一次写入上下文片段，要么全成功，要么全失败，不会出现“部分字段更新导致语义错乱”；
• 锁粒度精准：FTS5 表支持行级并发读，10个线程同时查不同用户的上下文，互不阻塞；
• 零配置启动：sqlite3 context.db就能干活，不用配连接池、不用调 JVM 参数、不用担心 Docker 网络互通。

我曾把一个基于 PostgreSQL 的上下文服务迁移到 SQLite，QPS 反而从 800 提升到 1200——不是因为 SQLite 更快，而是因为省掉了网络序列化、连接复用、连接超时重试这一整套“不确定性开销”。在 context-mode 场景下，每一次上下文检索都必须是“确定性操作”，否则用户会感知到 AI 忽然“失忆”或“答非所问”。

2.2 FTS5：不是简单的全文搜索，而是为上下文定制的语义索引引擎

SQLite 自带的 FTS5（Full-Text Search version 5）常被误认为只是“LIKE %xxx%”的升级版。错。它的核心价值在于BM25 排序原生支持和分词器可插拔设计。我们来拆一个真实案例：用户输入“怎么设置PLC的MODBUS地址”，系统需从历史对话中召回相关片段。如果用传统关键词匹配：

• 匹配“PLC” → 召回127条；
• 匹配“MODBUS” → 召回89条；
• 交集 → 仅剩3条，其中2条是无关的“MODBUS调试工具下载”。

而 FTS5 + BM25 的处理流程是：

1. 分词标准化：将“PLC”、“MODBUS”、“设置”、“地址”转为词干（stemming），并过滤停用词（如“怎么”、“的”）；
2. 权重计算：BM25 公式自动赋予“PLC”更高权重（因它在语料库中稀有），而“设置”权重较低（高频词）；
3. 相关性打分：对每条历史记录计算score = IDF(term) × (tf × (k1+1)) / (tf + k1 × (1-b+b×(doc_len/avg_doc_len)))，其中k1=1.5, b=0.75是经实测调优的默认值；
4. 排序返回：按 score 降序，前3条恰好是用户上周询问“西门子S7-1200 MODBUS RTU配置”的完整对话记录。

提示：FTS5 的rank函数默认就是 BM25 实现，无需额外安装插件。执行SELECT * FROM context_fts WHERE context_fts MATCH 'PLC MODBUS' ORDER BY rank;即可获得语义相关性排序结果——这是绝大多数向量数据库做不到的“开箱即用”。

2.3 BM25：不是玄学算法，而是可解释、可调试的语义桥梁

BM25 常被神化为“比向量检索更智能”，其实它更朴实：它不理解语义，但擅长模拟人类阅读时的注意力分配。它的三个核心参数，每一项都对应真实业务逻辑：

• IDF（逆文档频率）：衡量一个词的区分度。例如“故障代码”在工业手册语料中 IDF 高，说明它能精准定位问题；而“设备”IDF 低，说明它太泛，应降低权重；
• TF（词频）：同一段对话中，“报警”出现5次，比只出现1次的片段更可能关联当前问题；
• 文档长度归一化：避免长篇技术文档因词多而天然得分高，确保一段30字的精准回复，能击败一篇2000字的泛泛而谈。

我在某能源监控项目中，将 BM25 的b参数从默认 0.75 调整为 0.3，显著提升了短指令（如“重启网关”）的召回准确率——因为现场工程师的提问普遍简短，文档长度差异小，过度归一化反而削弱了 TF 的作用。这证明 BM25 不是黑盒，而是可调、可验、可针对业务场景微调的杠杆。

2.4 MCP 协议：不是新协议，而是为 context-mode 设计的“最小通信契约”

MCP（Model Context Protocol）这个词最近突然爆发，但它的本质非常朴素：定义上下文数据在模型、存储、前端之间传递的标准化结构。它解决的是“各玩各的”乱象。举个典型反例：

• 前端传给后端：{ "history": [{"role":"user","content":"温度超限怎么办?"},{"role":"assistant","content":"检查传感器接线"}] }
• 后端存进 SQLite：INSERT INTO context VALUES (1, 'temperature limit exceeded', 'check sensor wiring', 1678886400);
• 检索时又得把content字段拼成字符串再喂给模型……

MCP 的核心约定只有两条：

1. 上下文单元（Context Unit）必须包含四个强制字段：
   • id（唯一标识，UUID 或时间戳+哈希）
   • source（来源标识，如"chat-20240515-abc123"）
   • text（纯文本内容，不含 role 标签）
   • metadata（JSON 字符串，存 role、timestamp、confidence 等扩展信息）
2. 检索接口返回必须是标准数组：[{ "id": "...", "text": "...", "score": 0.92 }]，模型层只认这个结构。

这个简单契约，让我们的前端、Python 服务、C# 工控客户端，都能用同一套逻辑读写上下文。RuoYi-Vue-Pro 合并 MCP 功能时，前端只需改两行 axios 请求头，后端加一个/mcp/context/search接口，整个链路就贯通了——没有 SDK，没有中间件，只有清晰的字段约定。

3. 实操：从零搭建 context-mode 中枢——建表、索引、插入、检索，每一步都附真实命令与避坑指南

现在，我们把理论落到键盘上。以下所有命令，均基于SQLite 3.35+（FTS5 默认启用），在 Linux（Rocky Linux）、Windows（WSL2）、macOS 下完全一致。我用的是sqlite3命令行工具，但原理同样适用于 C# 的Microsoft.Data.Sqlite、Python 的pysqlite3或 VS Code 的 DB Browser for SQLite 插件。

3.1 第一步：创建 context_fts 虚拟表——不是普通表，是专为语义检索设计的索引体

-- 创建 FTS5 虚拟表，指定 text 字段为全文检索主字段 CREATE VIRTUAL TABLE context_fts USING fts5( id UNINDEXED, -- id 不参与检索，只用于关联 source UNINDEXED, -- 来源标识，不参与检索 text, -- 核心检索字段，全文索引在此 metadata UNINDEXED, -- 元数据，不参与检索 content='context_data', -- 关联真实数据表 content_rowid='rowid' -- 关联字段名 ); -- 创建真实数据表，存储完整上下文单元 CREATE TABLE context_data( rowid INTEGER PRIMARY KEY, id TEXT NOT NULL UNIQUE, source TEXT NOT NULL, text TEXT NOT NULL, metadata TEXT NOT NULL, created_at INTEGER DEFAULT (strftime('%s', 'now')) );

注意：content='context_data'是关键！它让 FTS5 表与真实数据表形成“索引-数据”映射。FTS5 表本身不存数据，只存倒排索引，所有SELECT查询实际走的是context_data表，但通过MATCH触发 FTS5 的 BM25 排序。这是 SQLite 实现“检索快、存储稳”的精妙设计。

3.2 第二步：插入上下文单元——别用 INSERT INTO context_fts，那是陷阱！

常见错误：直接往context_fts表 INSERT，以为它像普通表一样存数据。绝对禁止！FTS5 虚拟表的 INSERT 会触发内部索引重建，且无法保证content表数据一致性。

正确姿势：永远只操作context_data表，FTS5 索引自动同步。

-- 插入一条上下文单元（模拟用户提问） INSERT INTO context_data (id, source, text, metadata) VALUES ( 'ctx-20240515-001', 'chat-web-20240515', '压力传感器读数异常，显示负值', '{"role":"user","timestamp":1715769820,"session_id":"sess-abc123"}' ); -- 插入对应模型回复（注意：text 字段只存纯文本，role 信息放 metadata） INSERT INTO context_data (id, source, text, metadata) VALUES ( 'ctx-20240515-002', 'chat-web-20240515', '检查传感器供电电压是否正常，确认接地良好', '{"role":"assistant","timestamp":1715769855,"model":"qwen2-7b"}' );

实操心得：我最初也犯过直接 INSERT FTS5 的错，结果导致索引损坏，MATCH查询返回空。SQLite 官方文档明确警告：“Never INSERT into an FTS5 table directly unless you understand the internal schema.” 解决方案很简单：养成肌肉记忆——所有写操作只碰context_data，所有读检索只用context_fts。

3.3 第三步：执行 BM25 语义检索——一行 SQL，搞定“接着上次聊”

这才是 context-mode 的灵魂操作。我们模拟用户再次提问：“传感器供电电压怎么测？”，系统需召回之前关于“压力传感器读数异常”的上下文：

-- 执行 BM25 排序检索，返回 top 3 最相关片段 SELECT cd.id, cd.text, cd.metadata, cfts.rank AS bm25_score FROM context_fts AS cfts JOIN context_data AS cd ON cd.rowid = cfts.rowid WHERE cfts MATCH 'sensor power voltage measure' ORDER BY cfts.rank LIMIT 3;

返回结果示例：

看到没？没有向量计算，没有 GPU，没有 API 调用，纯 SQL，毫秒级响应。cfts.rank就是 BM25 得分，数值越大越相关。ctx-20240514-098这条是昨天的通用知识，因“万用表”、“直流档”等词与当前查询高度匹配，也被精准召回。

3.4 第四步：优化检索精度——分词器、停用词、自定义权重，三招提升召回率

默认 FTS5 分词器（unicode61）对中文支持一般，常把“PLC编程”切分为“PLC”和“编程”，丢失专业术语完整性。我们手动优化：

-- 创建自定义分词器：保留英文缩写，增强中文分词 CREATE VIRTUAL TABLE context_fts_opt USING fts5( text, content='context_data', content_rowid='rowid', tokenize='unicode61 "remove_diacritics 1" "separators .-"' ); -- 添加停用词表（避免“的”、“了”、“怎么”等高频虚词干扰排序） INSERT INTO context_fts_opt(docid, text) VALUES (0, '的 了 是 在 有 和 与 或 但 而 且 如果 那么 因为 所以');

更进一步，为关键领域词赋予更高权重（类似搜索引擎的“站长后台”）：

-- 创建权重表，为工业术语提升 IDF CREATE TABLE term_weights ( term TEXT PRIMARY KEY, weight REAL DEFAULT 1.0 ); INSERT INTO term_weights VALUES ('PLC', 2.5), ('MODBUS', 2.0), ('RTU', 1.8), ('HART', 1.7); -- 检索时结合权重（需在应用层实现，SQL 层暂不支持动态 IDF） -- 逻辑：先用 FTS5 获取候选集，再用 term_weights 表对 score 进行二次加权

注意事项：SQLite 本身不支持在 SQL 中动态修改 BM25 的 IDF，因此权重调整需在应用层完成。我的做法是：先执行MATCH获取前20条，再用 Python 加载term_weights表，对每条结果的text字段进行关键词匹配，按weight累加修正bm25_score。实测下来，对“PLC”相关查询，Top1 准确率从 78% 提升至 93%。

3.5 第五步：十万条数据实测性能——不是理论值，是压测报告

很多人担心 SQLite 能否扛住海量上下文。我用真实数据说话：在 Rocky Linux 服务器（4核8G）上，导入 127,432 条历史对话记录（平均每条 text 字段 87 字符），执行以下测试：

关键结论：SQLite FTS5 在 10 万级数据下，检索延迟稳定在 5ms 内，完全满足实时交互需求。对比向量数据库（如 ChromaDB），同等数据量下，ChromaDB 的查询延迟在 15~40ms（受 embedding 模型加载、GPU 显存带宽限制），且需要额外维护 embedding 服务。

实操心得：性能瓶颈从来不在 SQLite 本身，而在你的应用层。我见过太多项目把context_data表设计成TEXT类型存整个 JSON，结果text字段膨胀到 5KB，FTS5 索引体积暴增 3 倍。正确做法是：text字段只存可检索的纯文本摘要（如用户问题+模型核心回复），详细日志、二进制附件、长上下文链，另存对象存储或关系表。text字段控制在 200 字以内，索引体积小，检索快，内存占用低。

4. 深度整合：如何让 context-mode 融入你的现有技术栈？从 Ruoyi-Vue-Pro 到 Unreal Engine 5.8 的落地路径

context-mode 的价值，不在于它多炫酷，而在于它能无缝“寄生”在你已有的技术栈里，不推倒重来，只做增量增强。下面我以三个典型场景为例，给出可直接抄作业的整合方案。

4.1 场景一：Ruoyi-Vue-Pro 后台系统，快速接入上下文感知能力

Ruoyi-Vue-Pro 是国内主流的 Java 快速开发平台，其sys_user、sys_menu等表结构稳定。我们要做的，不是改它的核心，而是加一个context_service模块。

步骤清单：

1. 添加 SQLite 依赖：在pom.xml中加入org.xerial:sqlite-jdbc:3.45.1.0；
2. 初始化 context 数据库：Spring Boot 启动时，执行schema.sql创建context_data和context_fts表；
3. 新增 Controller 接口：

   @RestController @RequestMapping("/api/mcp/context") public class ContextController { @PostMapping("/save") public Result save(@RequestBody ContextUnit unit) { // 将 unit 转为 context_data 行，INSERT contextService.save(unit); return Result.success(); } @GetMapping("/search") public Result<List<ContextUnit>> search(@RequestParam String query) { // 执行 MATCH 查询，返回 top 5 return Result.success(contextService.search(query)); } }

4. 前端 Vue 调用：在聊天组件ChatBox.vue中，发送消息前先调用/api/mcp/context/search?query=${lastUserMsg}，将召回的上下文片段拼入 system prompt；

关键技巧：Ruoyi 的@DataScope注解会自动注入租户 ID，我们在context_data.source字段存tenantId-chat-sessionId，确保上下文严格隔离。这样，A 公司的 PLC 故障记录，绝不会出现在 B 公司的检索结果里——安全合规，零改造。

4.2 场景二：Unreal Engine 5.8 游戏内 AI NPC，实现“记住玩家说过的话”

UE5.8 新增的 MCP 支持，让游戏引擎能直接与本地 SQLite 交互。这不是噱头，而是解决 NPC “健忘症”的实招。

实施要点：

• 数据路径：将context.db放在Saved/Config/Windows/目录下，确保跨会话持久化；
• 蓝图节点：使用SQLiteBlueprintFunctionLibrary的ExecuteQuery节点，传入MATCHSQL；
• NPC 对话逻辑：
  1. 玩家说：“我叫艾伦”；
  2. 游戏存入context_data：text="玩家自称艾伦"，metadata={"speaker":"player","intent":"introduce"}；
  3. 下次 NPC 主动打招呼：“你好，艾伦！”——不是预设台词，而是实时检索MATCH '玩家 自称'，取text字段中的名字；

实测效果：在《工业元宇宙》Demo 中，NPC 技师能记住玩家上周指出的“传送带轴承异响”，本周见面直接说：“我检查了轴承，润滑脂已补充。” 这种细节，让玩家瞬间相信世界是活的。而背后，只是几行 SQL 和一个.db文件。

4.3 场景三：X32DBG 调试器插件，为逆向工程师提供上下文辅助

X32DBG 的 MCP 插件，本质是 hook 了调试器的OutputDebugString事件，将日志实时写入 SQLite。这对逆向分析至关重要——当你在分析一个加密 DLL，连续三天都在看sub_401234函数，context-mode 能帮你自动关联：

• 5月12日：[LOG] sub_401234 调用 GetTickCount
• 5月13日：[LOG] sub_401234 返回值校验失败
• 5月14日：[LOG] sub_401234 输入参数来自 eax+4

插件核心逻辑（C++ 伪代码）：

// 捕获调试输出 void OnDebugOutput(LPCSTR lpOutputString) { if (strstr(lpOutputString, "sub_401234")) { ContextUnit unit; unit.text = std::string("sub_401234 ") + lpOutputString; unit.source = "x32dbg-20240514"; unit.metadata = json::serialize({{"module", "target.dll"}, {"addr", "0x401234"}}); SaveToSQLite(unit); // 调用 sqlite3_exec } } // 右键菜单添加“关联上下文” void OnContextMenuSearch() { std::string query = GetCurrentFunctionName(); // "sub_401234" auto results = SearchSQLite(query); // SELECT ... MATCH query ShowInLogWindow(results); // 在调试日志窗口显示历史记录 }

独家经验：逆向分析最怕“断点失效”。当sub_401234在新版 DLL 中地址变了，传统方案只能重找。而 context-mode 下，你右键点击新地址的函数，输入MATCH 'sub_401234'，立刻召回所有旧版分析笔记——函数名是语义锚点，不是内存地址。这彻底改变了工作流。

5. 常见问题与排查技巧实录：那些文档里不会写的坑，我都替你踩过了

再完美的方案，在真实世界也会遇到意料之外的状况。以下是我在 6 个项目中，被问得最多、最痛的 7 个问题，附带根因分析和一招解决法。

5.1 问题1：MATCH查询总是返回空，但数据明明存在

现象：插入数据后，执行SELECT * FROM context_fts WHERE context_fts MATCH 'test';无结果，SELECT COUNT(*) FROM context_data;却显示有 1000 条。

根因：FTS5 索引未触发更新。SQLite 的 FTS5 在INSERT INTO context_data后，不是立即同步索引，而是延迟到下一次SELECT或COMMIT时批量刷新。如果程序异常退出，索引可能滞后。

解决：强制同步索引。在每次INSERT后，执行：

INSERT INTO context_data (...) VALUES (...); INSERT INTO context_fts(context_fts) VALUES('sync'); -- 关键！触发立即同步

注意：INSERT INTO xxx(xxx) VALUES('sync')是 FTS5 的特殊语法，不是错误。它告诉 SQLite “立刻把 buffer 里的变更刷到索引”。

5.2 问题2：中文检索不准，“温度”能搜到，“温控”就搜不到

现象：用户问“温控器怎么接线”，MATCH '温控'无结果，但MATCH '温度'能召回。

根因：默认unicode61分词器按 Unicode 字符边界切分，对中文词组无感知。“温控”被切成“温”、“控”，而“温度”是“温”、“度”，共用“温”字导致误匹配。

解决：启用中文分词扩展。SQLite 官方不内置，但可用第三方icu分词器：

# 编译 SQLite 时启用 ICU 支持 ./configure --with-iconv --with-icu make && sudo make install

然后建表时指定：

CREATE VIRTUAL TABLE context_fts USING fts5(text, tokenize='icu zh-CN');

实测对比：启用icu zh-CN后，“温控器”、“温控模块”、“温控参数”全部能被MATCH '温控'精准召回，准确率从 42% 提升至 89%。

5.3 问题3：rank得分全是 0.0，无法排序

现象：SELECT *, rank FROM context_fts WHERE MATCH 'xxx'返回的rank列全为 0.0。

根因：rank是 FTS5 的虚拟列，必须显式在 SELECT 列表中写出rank，不能用*代替。SELECT *会忽略虚拟列。

解决：永远显式写出rank：

-- ✅ 正确 SELECT id, text, rank FROM context_fts WHERE context_fts MATCH 'xxx' ORDER BY rank; -- ❌ 错误（rank 不会出现） SELECT * FROM context_fts WHERE context_fts MATCH 'xxx' ORDER BY rank;

5.4 问题4：SQLite 数据库文件越来越大，磁盘爆满

现象：运行一周后，context.db从 10MB 涨到 2GB。

根因：FTS5 的delete操作不释放磁盘空间，只标记为“可重用”。大量DELETE FROM context_data后，索引碎片堆积。

解决：定期执行VACUUM，并配合PRAGMA optimize：

-- 删除过期上下文（保留最近30天） DELETE FROM context_data WHERE created_at < strftime('%s', 'now', '-30 days'); -- 优化 FTS5 索引，合并碎片 INSERT INTO context_fts(context_fts) VALUES('optimize'); -- 彻底回收磁盘空间 VACUUM;

建议：在每天凌晨 2 点，用 crontab 自动执行此脚本。实测可将 2GB 文件压缩回 15MB。

5.5 问题5：多线程写入报错 “database is locked”

现象：Java 应用多线程并发INSERT INTO context_data，频繁抛出SQLITE_BUSY异常。

根因：SQLite 默认 WAL 模式下，写操作仍需获取 exclusive lock。高并发写入时，锁竞争激烈。

解决：开启 WAL 模式并调大 busy timeout：

-- 启动时执行 PRAGMA journal_mode = WAL; PRAGMA busy_timeout = 5000; -- 等待锁 5 秒，而非立即失败

进阶技巧：对context_data表，采用“批量插入”代替单条插入。每 10 条合并为一个INSERT ... VALUES (...),(...),...语句，吞吐量提升 3 倍。

5.6 问题6：metadata字段 JSON 解析失败，提示 “invalid JSON”

现象：INSERT INTO context_data时，metadata值为{"role":"user","time":1715769820}，但查询时json_extract(metadata, '$.role')返回 NULL。

根因：SQLite 的json_extract要求 JSON 字符串必须用双引号包裹 key 和 string value。单引号或无引号是非法 JSON。

解决：严格校验 JSON 格式。在应用层生成metadata时，用标准 JSON 库序列化：

# Python 示例 import json metadata = json.dumps({"role": "user", "timestamp": 1715769820}) # 自动加双引号

验证命令：SELECT json_valid(metadata) FROM context_data LIMIT 5;返回 1 表示合法。

5.7 问题7：在 Windows 上，db browser for sqlite打不开.db文件

现象：DB Browser for SQLite 提示 “file is encrypted or is not a database”。

根因：SQLite 数据库文件被其他进程（如你的 C# 程序）以EXCLUSIVE模式打开，且未正确关闭，导致文件锁残留。

解决：

1. 任务管理器结束所有相关进程；
2. 在命令行执行：sqlite3 context.db "PRAGMA locking_mode = NORMAL;"；
3. 重启 DB Browser。

终极方案：在应用代码中，确保sqlite3_close()被调用。C# 中用using (var conn = new SqliteConnection(...)) { ... }自动释放。

6. 性能与扩展性边界：context-mode 能撑到什么规模？何时该考虑升级？

最后，我们坦诚面对一个现实问题：context-mode 的能力边界在哪里？它不是银弹，了解它的极限，才能用得更稳。

6.1 当前架构的明确能力标尺

基于 127,432 条真实数据的压测，我们得出以下可承诺指标：

• 数据规模：单库支撑 ≤ 500 万条上下文单元（约 50GBtext字段）。超过此量，FTS5 索引构建时间过长（>30 分钟），影响热更新；
• 并发能力：读操作（MATCH查询）支持 ≤ 200 QPS（4 核 CPU）；写操作（INSERT）支持 ≤ 50 TPS；
• 延迟保障：95% 查询延迟 ≤ 15ms（SSD 磁盘）；
• 部署形态：单机文件，无集群、无分片、无主从复制。

这意味着：一个中型 SaaS 企业（10 万用户，日活 2 万），若每个用户日均产生 5 条上下文，一年数据量约 3650 万条——单 SQLite 已无法承载，必须分库。

6.2 分库策略：不是换数据库，