fix(kb): 混合评分策略修复短查询匹配失败

TF-IDF 余弦相似度单独使用对短中文查询过于严格（3-5 个词 vs 数百个词的长文档）。
改为混合评分：0.4×TF-IDF + 0.6×关键词命中率，让短查询只要命中关键词就能返回结果。

同时降低 auto_reply_min_score 从 0.35→0.30，适配混合评分的数值范围。

auto_reply.py

@@ -12,7 +12,7 @@ class AutoReply:
     def __init__(self, monitor):
         self.monitor = monitor
         self._enabled = False
-        self._min_score = 0.35
+        self._min_score = 0.30
 
         # 已回复的消息指纹（防重复）
         self._replied: dict = {}

knowledge_base.py

@@ -126,8 +126,17 @@ class KnowledgeBase:
     def is_ready(self) -> bool:
         return self._ready and len(self.docs) > 0
 
-    def search(self, query: str, top_k: int = 3, min_score: float = 0.30) -> List[Tuple[dict, float]]:
-        """搜索知识库，返回 (doc, score) 列表。"""
+    def search(self, query: str, top_k: int = 3, min_score: float = 0.05) -> List[Tuple[dict, float]]:
+        """搜索知识库，返回 (doc, score) 列表。
+
+        混合评分策略：
+        1) TF-IDF 余弦相似度（权重 0.4）— 适合长查询，对短查询偏严
+        2) 关键词命中率（权重 0.6）— 适合短查询，对关键词命中敏感
+        最终得分 = 0.4 * tfidf_score + 0.6 * keyword_hit_ratio
+
+        这种混合方式让短查询（3-5 个词）只要命中关键词就能返回结果，
+        同时长查询仍能利用 TF-IDF 的语义区分能力。
+        """
         if not self.is_ready or not query.strip():
             return []
 
@@ -136,13 +145,27 @@ class KnowledgeBase:
         if len(query.strip()) < 2 or len(tokens) == 0:
             return []
 
-        query_vec = self._vectorizer.transform([query])
-        scores = cosine_similarity(query_vec, self._tfidf_matrix)[0]
-        top_indices = np.argsort(scores)[::-1][:top_k]
+        query_stripped = query.strip()
+        query_vec = self._vectorizer.transform([query_stripped])
+        tfidf_scores = cosine_similarity(query_vec, self._tfidf_matrix)[0]
+
+        # 关键词命中率：查询 tokens 中有多少个出现在文档内容中
+        query_tokens_set = set(tokens)
+        keyword_ratios = []
+        for doc in self.docs:
+            content = doc["content"]
+            hit = sum(1 for t in query_tokens_set if t in content)
+            keyword_ratios.append(hit / max(len(query_tokens_set), 1))
+        keyword_ratios = np.array(keyword_ratios)
+
+        # 混合评分
+        combined_scores = 0.4 * tfidf_scores + 0.6 * keyword_ratios
+
+        top_indices = np.argsort(combined_scores)[::-1][:top_k]
 
         results = []
         for idx in top_indices:
-            score = float(scores[idx])
+            score = float(combined_scores[idx])
             if score < min_score:
                 continue
             results.append((self.docs[idx], score))
@@ -150,8 +173,7 @@ class KnowledgeBase:
             return results
 
         # Fallback: 子串匹配（查询包含在文档标题或内容中）
-        q = query.strip()
-        # 短文本（<4 字符）不做子串匹配，避免"19:15""14:30"等时间戳误匹配 KB 文档
+        q = query_stripped
         if len(q) >= 4:
             for doc in self.docs:
                 if q in doc["content"] or q in doc["title"]: