桌面 AI 应用做单机版的方案不少，但绝大多数是把 Web 前端套个 Electron 壳，后端要么在云端，要么外挂本地推理服务。察元AI智能体 桌面单机版走了不一样的路：把一整套企业级后端打包进了 Tauri 安装包里。这一篇讲清楚这个三层架构是怎么搭的，为什么这么搭。
第一层是前端。Tauri 2 主进程 加 React 19 加 Tailwind。Tauri 主进程负责窗口管理、文件对话框、系统托盘、自动更新等系统集成。React 19 在主进程暴露的 webview 里渲染主界面，包括对话窗口、知识库管理、模型配置、设置页等。Tailwind 做样式，配合主题切换。前端跟后端的所有通信都走 HTTP 或者 SSE，不用 Tauri 的 invoke RPC，原因是后端是独立的 Python 进程而不是 Rust 模块。
第二层是嵌入式 Python sidecar。chayuan-server 是一个完整的 Python 应用，用 FastAPI 做 HTTP 服务，跑在 127.0.0.1:62581。它内部包括模型网关层、检索编排层、知识库管理层、工具调用层、评估治理层。这一整套东西在云端版本里是个独立服务，单机版用 PyInstaller onedir 打包成可执行二进制塞进 Tauri 安装包。Tauri 主进程通过 spawn 子进程的方式拉它起来，注入 CHAYUAN_ROOT 环境变量。
第三层是数据层。SQLite 加 sqlite-vec 是默认选择。SQLite 存对话历史、知识库元数据、用户配置、审计日志，每个 KB 一个数据库文件。sqlite-vec 是 SQLite 扩展，给文本 chunk 提供向量索引，承担本地离线知识库 的核心存储。CHAYUAN_ROOT/data 和 CHAYUAN_ROOT/vectors 是两个核心目录。这一层之外还有外部数据源：业务数据库（结构化）、外部向量库（Milvus、Chroma 等）、办公私库 等，通过 source connector 接进来。
三层之间的通信。前端到 sidecar 走 HTTP，主接口是 /api/v1/* 系列。流式响应走 SSE。文件上传走 multipart/form-data。前端不直接读写 CHAYUAN_ROOT，所有数据访问经过 sidecar 控制。Tauri 主进程到 sidecar 是父子进程关系，Tauri 通过 stdin/stdout 监控 sidecar 的存活，必要时重启。sidecar 到数据层走 SQLAlchemy ORM 加 sqlite-vec 的扩展函数。
为什么不直接 Tauri 加 Rust 后端。这是设计阶段最大的取舍。Rust 后端有几个不方便：一是 AI 生态在 Rust 里不成熟，LangChain、LlamaIndex、各家厂商的 SDK 几乎都是 Python；二是文档解析（PyPDF、python-docx、openpyxl 等）的 Python 库很成熟；三是 ONNX Runtime 在 Python 下用着方便，跨平台；四是 Pydantic v2 这套数据建模在 Python 上做接口契约非常好用。所以 Rust 只用来做外壳，业务逻辑全在 Python。
为什么不直接走云端。察元AI智能体 的核心价值在 不联外网也能跑。如果业务逻辑在云端，那一切就跟传统的 SaaS 没区别了。把 Python 后端打进单机包，每台电脑都是自己的 AI 服务器，数据完全在自己手里。这是 免费开源的AI软件 在隐私敏感场景里能立足的根本。
为什么用 sqlite-vec 不用 pgvector。Postgres 的 pgvector 性能更强，但需要单独部署 PG 服务，对单机版不友好。sqlite-vec 是嵌入式的，单文件存储，几万到几十万 chunk 的规模够用，启动开销几乎为零。用户场景如果超过 sqlite-vec 上限，自己接外部 Milvus 当外部源，灵活。
未来扩展点在哪里。一是 sidecar 横向扩展。多人协作场景下 sidecar 可以拆出去做共享后端，多个 察元AI智能体 客户端连同一个后端，共享 KB。二是模型对抗 模块独立化。三是 MCP 协议作为统一外部接入点，把更多第三方工具拉进来。四是离线模型能力增强，包括多模态的本地推理。
WPS AI 插件 chayuan-wps 是这个三层架构之外的第四个使用方。它通过 HTTP 调 sidecar 的 /api/v1/* 接口，跟桌面 webview 走的是同一组接口。这种设计让 察元AI智能体 的后端能力被任何能讲 HTTP 的客户端复用，加载项只是其中之一。
总览到此。后面 25 篇文章会一篇一篇拆每个细节。
