建议支持“本地/自定义代码知识库（RAG）”：优先检索成熟脚本复用，未命中时再调用 AI 生成

反馈内容：
目前在日常开发中，许多通用工具函数、自动化脚本、规范模板或团队内部组件是高度标准化的。若 AI 每次接收到指令都全量从零编写代码，存在以下问题：
​生成延迟与效率折损： 对于完全可以用现有代码解决的任务，等待 AI 逐步生成耗时较长。
​积分与 Token 浪费： 频繁生成标准模板或常见脚本消耗了不必要的计算资源与积分。
​团队规范不统一： 全新生成的代码风格容易出现偏差，无法完全对齐已有的最佳实践。
​建议引入 代码知识库检索机制（Code Snippet / Repo RAG），建立“先检索复用，后补充生成”的工作流。
​期望效果：
​知识库构建与导入（Knowledge Base / Snippet Index）：
​支持用户将常用脚本库、企业内部公用组件库、标准化代码片段（Snippets）导入为本地或云端专属知识库，并建立语义索引。
​“检索优先，生成兜底”的执行策略：
​当用户提出开发需求时，AI 优先在知识库中进行语义检索与匹配：
​完全/高度命中： 直接调用或仅对现有成熟脚本做轻量微调并返回，大幅降低响应延迟与积分消耗。
​未命中或需求复杂： 自动回退至完整的大模型代码生成流程。
​沉淀闭环：
​允许用户在对话中一键将调试成功的优质脚本或代码块“保存至知识库”，使知识库能够随着日常使用不断丰富。
​我的 UID： 01a013fb-7152-7083-9f1d-40fd321b162a

The issue does not identify any files, tests, or entry points. Start by locating the existing AI request flow and any knowledge-base, indexing, or conversation persistence components, then determine how local or cloud code sources, semantic retrieval, fallback generation, and saving successful snippets would integrate. Done would require an agreed design and an end-to-end implementation of the proposed workflow.