feat(desktop): ✨ 实现一些功能

1. 实现了用户阅读画像

2. 实现了全局检索功能

note/用户画像设计方案.md

@@ -0,0 +1,158 @@
+## 如何设计离线阅读画像系统
+
+### 1. 第一阶段：画像模型设计
+
+画像不是简单的计数，而是将原始数据（书名、字数、关键词）转化为认知模型。我们定义以下五个核心指标：
+
+认知深度 (Cognition)：通过统计关键词（Keywords）的重复频次和专业程度。
+
+知识广度 (Breadth)：统计不同书籍领域的分布（基于书名聚类或人工分类）。
+
+实践应用 (Practicality)：识别 occupation 字段，职业相关（Professional）的心得占比。
+
+产出效率 (Output)：计算总生成字数与任务完成率。
+
+国际视野 (Global)：统计英文（en）与中文（zh）任务的比例。
+
+### 2. 第二阶段：数据库实体定义 (Prisma/TypeORM)
+
+假设你使用常用的本地 ORM。我们需要在数据库中增加一个画像缓存表，避免每次打开页面都进行全量计算。
+
+```typescript
+/**
+ * 阅读画像缓存实体
+ * 存储计算后的分值，避免高频计算
+ */
+export interface IReadingPersona {
+  id: string; // 固定 ID 如 'current_user_persona'
+  cognition: number;      // 认知深度分 (0-100)
+  breadth: number;        // 知识广度分 (0-100)
+  practicality: number;   // 实践应用分 (0-100)
+  output: number;         // 产出效率分 (0-100)
+  global: number;         // 国际视野分 (0-100)
+  topKeywords: string;    // 存储 Top 10 关键词的 JSON 字符串
+  updatedAt: Date;        // 最后计算时间
+}
+```
+
+### 3. 第三阶段：核心计算逻辑 (Main Process)
+
+这是画像系统的“大脑”，负责执行 SQL 并转换数据。
+
+```typescript
+import { IReadingReflectionTaskItem, IReadingReflectionTaskBatch } from '../types'
+
+export class PersonaService {
+  /**
+   * 从数据库聚合数据并计算画像分值
+   */
+  async calculatePersona(items: IReadingReflectionTaskItem[], batches: IReadingReflectionTaskBatch[]) {
+    // 1. 计算认知深度：根据关键词频次
+    const allKeywords = items.flatMap(i => i.keywords || [])
+    const keywordMap = new Map<string, number>()
+    allKeywords.forEach(k => keywordMap.set(k, (keywordMap.get(k) || 0) + 1))
+
+    // 逻辑：去重后的关键词越多且重复越高，分值越高 (示例算法)
+    const cognitionScore = Math.min(100, (keywordMap.size * 2) + (allKeywords.length / 5))
+
+    // 2. 计算知识广度：根据书籍数量
+    const breadthScore = Math.min(100, batches.length * 10)
+
+    // 3. 计算产出效率：根据总字数
+    const totalWords = items.reduce((sum, i) => sum + (i.content?.length || 0), 0)
+    const outputScore = Math.min(100, totalWords / 500) // 每 5万字满分
+
+    // 4. 计算 Top 10 关键词
+    const sortedKeywords = [...keywordMap.entries()]
+      .sort((a, b) => b[1] - a[1])
+      .slice(0, 10)
+      .map(entry => entry[0])
+
+    return {
+      cognition: Math.round(cognitionScore),
+      breadth: Math.round(breadthScore),
+      output: Math.round(outputScore),
+      practicality: 75, // 可根据 occupation 比例动态计算
+      global: 60,       // 可根据 language 比例动态计算
+      topKeywords: sortedKeywords
+    }
+  }
+}
+```
+
+### 4. 第四阶段：前端可视化集成 (Statistics.vue)
+
+使用 ECharts 渲染雷达图，将计算结果展现给用户。
+
+```vue
+
+<script setup lang="ts">
+  import { onMounted, ref } from 'vue'
+  import * as echarts from 'echarts'
+  import { trpc } from '@renderer/lib/trpc'
+
+  const chartRef = ref<HTMLElement | null>(null)
+  const personaData = ref<any>(null)
+
+  const initChart = (data: any) => {
+    const myChart = echarts.init(chartRef.value!)
+    const option = {
+      radar: {
+        indicator: [
+          { name: '认知深度', max: 100 },
+          { name: '知识广度', max: 100 },
+          { name: '实践应用', max: 100 },
+          { name: '产出效率', max: 100 },
+          { name: '国际视野', max: 100 }
+        ],
+        shape: 'circle',
+        splitNumber: 4,
+        axisLine: { lineStyle: { color: '#E5E7EB' } },
+        splitLine: { lineStyle: { color: '#E5E7EB' } },
+        splitArea: { areaStyle: { color: ['#fff', '#F8F9FB'] } }
+      },
+      series: [{
+        type: 'radar',
+        data: [{
+          value: [data.cognition, data.breadth, data.practicality, data.output, data.global],
+          areaStyle: { color: 'rgba(120, 22, 255, 0.2)' },
+          lineStyle: { color: '#7816ff', width: 3 },
+          itemStyle: { color: '#7816ff' }
+        }]
+      }]
+    }
+    myChart.setOption(option)
+  }
+
+  onMounted(async () => {
+    // 通过 tRPC 从主进程获取计算好的数据
+    const data = await trpc.stats.getPersona.query()
+    personaData.value = data
+    initChart(data)
+  })
+</script>
+
+<template>
+  <div class="p-8 bg-white rounded-[32px] border border-slate-100 shadow-sm">
+    <div class="mb-6">
+      <h2 class="text-xl font-black text-slate-800">阅读心流画像</h2>
+      <p class="text-xs text-slate-400">基于本地 {{ personaData?.totalBooks }} 本书籍分析得出</p>
+    </div>
+
+    <div ref="chartRef" class="w-full h-[400px]"></div>
+
+    <div class="mt-8 flex flex-wrap gap-2">
+      <span v-for="tag in personaData?.topKeywords" :key="tag"
+            class="px-3 py-1 bg-slate-50 text-slate-500 text-[10px] rounded-full border border-slate-100">
+        # {{ tag }}
+      </span>
+    </div>
+  </div>
+</template>
+```
+## 🎨 设计心得：为什么这么做？
+数据解耦：原始任务数据（Items/Batches）与画像数据分开存储。即使画像计算逻辑升级（比如你想改变评分算法），也不需要修改历史心得数据。
+
+缓存策略：不要在用户每次切换页面时都去扫全表。建议在任务完成时触发一次增量计算，或者每天用户第一次打开应用时刷新一次。
+
+可视化反馈：雷达图的面积代表了用户的“知识疆域”。当用户看着面积一点点变大时，这种离线的成就感是留存的关键。