docs: 添加代码审查报告 2026-06-05

第一批（快速修复）：
- H6: main.py --debug 默认值 True→False，防止 Werkzeug RCE
- M2+M3: /search 增加 validate_query + top_k 范围限制(1-50)
- M4: context_count 范围限制(0-10) + 异常捕获
- L3: assert → raise RuntimeError（生产环境 API Key 检查）
- H1: SSE 错误事件移除 traceback 字段

第二批（安全加固）：
- H2+H3: 文档接口路径遍历 realpath 校验 + 文件类型/大小限制
- H4+H5: 批量上传文件大小检查
- M6: LIKE 查询通配符转义
- M1: 37 处 str(e) 异常信息统一脱敏（6 文件）
- M5: CORS 生产环境限制来源
- M7: SESSION_MANAGER None 保护（503）
- M11: subprocess 参数注入防护（白名单 + -- 分隔符）

第三批（架构改进）：
- M8+M9: 提取 JSON 解析共享工具（extract_json_object/list）
- M10: Prompt 注入检测防御（prompt_guard.py）
- M12: 解析器文件大小限制（Excel 50MB/TXT 20MB/PDF 100MB）
- M13: 全局单例竞态条件双重检查锁定（engine/bm25/intent_analyzer）

api/__init__.py

@@ -67,6 +67,16 @@ def create_app() -> 'Flask':
     static_folder = os.path.join(PROJECT_ROOT, 'chat-ui')
 
     app = Flask(__name__, static_folder=static_folder, static_url_path='')
+
+    # CORS 配置：生产环境限制来源，开发环境允许全部
+    if IS_PROD:
+        cors_origins = os.environ.get('CORS_ORIGINS', '').split(',') if os.environ.get('CORS_ORIGINS') else []
+        if cors_origins:
+            CORS(app, origins=cors_origins)
+        else:
+            CORS(app)  # 未配置时仍允许全部，但记录警告
+            logger.warning("生产环境未配置 CORS_ORIGINS，CORS 允许所有来源")
+    else:
         CORS(app)
 
     # ==================== Repository 依赖注入 ====================
@@ -227,14 +237,14 @@ def _validate_production_config() -> None:
     - DASHSCOPE_API_KEY: 大模型调用必需
 
     Raises:
-        AssertionError: 缺少必需的配置项
+        RuntimeError: 缺少必需的配置项
     """
     import os
     from config import DASHSCOPE_API_KEY
     # 检查环境变量或配置文件中的 API Key
     has_key = os.getenv("DASHSCOPE_API_KEY") or os.environ.get("DASHSCOPE_API_KEY") or DASHSCOPE_API_KEY
-    assert has_key and has_key != "", \
+    if not has_key or has_key == "":
-        "Missing DASHSCOPE_API_KEY in production environment"
+        raise RuntimeError("Missing DASHSCOPE_API_KEY in production environment")
     logger.info("Configuration validated")
 
 

api/audit_routes.py

@@ -97,7 +97,8 @@ def get_audit_logs():
         return jsonify({"logs": logs, "total": total})
 
     except Exception as e:
-        return jsonify({"error": str(e), "logs": [], "total": 0}), 500
+        logger.error(f"审计查询异常: {e}")
+        return jsonify({"error": "查询失败", "logs": [], "total": 0}), 500
 
 
 def log_audit_event(user_id: str, username: str, action: str,

api/chat_routes.py

@@ -41,6 +41,7 @@ from auth.gateway import require_gateway_auth
 from auth.security import validate_query, filter_response
 from config import RAG_CHAT_MODEL
 from core.llm_utils import call_llm, call_llm_stream
+from core.prompt_guard import detect_injection, sanitize_user_input
 
 
 def _get_vlm_cache(image_path: str) -> Optional[str]:
@@ -1953,11 +1954,11 @@ def rag():
             yield f"data: {json.dumps(finish_event, ensure_ascii=False)}\n\n"
 
         except Exception as e:
-            import traceback
+            import logging as _logging
+            _logging.getLogger(__name__).error(f"[SSE] RAG 流异常: {e}", exc_info=True)
             error_event = {
                 "type": "error",
-                "message": str(e),
+                "message": "服务内部错误，请稍后重试"
-                "traceback": traceback.format_exc()
             }
             yield f"data: {json.dumps(error_event, ensure_ascii=False)}\n\n"
 
@@ -1986,12 +1987,27 @@ def search():
     """
     data = request.json or {}
     query = data.get('query', '')
+    query = sanitize_user_input(query)
+    injection_matches = detect_injection(query)
+    if injection_matches:
+        logger.warning(f"[Chat] 检测到可疑注入: {injection_matches}")
     top_k = data.get('top_k', 5)
     collections = data.get('collections')  # 后端传入的知识库列表
 
     if not query:
         return jsonify({'error': 'query is required'}), 400
 
+    # 输入安全校验（注入检测、违禁词、长度限制）
+    is_valid, reason = validate_query(query)
+    if not is_valid:
+        return jsonify({'error': reason}), 400
+
+    # top_k 范围校验
+    try:
+        top_k = max(1, min(int(top_k), 50))
+    except (ValueError, TypeError):
+        top_k = 5
+
     # 如果没有指定 collections，使用默认的公开库
     if not collections:
         collections = ['public_kb']

api/document_routes.py

@@ -96,6 +96,24 @@ def safe_filename(filename: str) -> str:
 
     return safe_name
 
+
+def _validate_doc_path(doc_path: str, documents_path: str) -> str:
+    """
+    校验文档路径是否在允许目录内，防止路径遍历攻击。
+
+    Returns:
+        解析后的安全绝对路径
+    Raises:
+        ValueError: 路径不合法
+    """
+    filepath = os.path.join(documents_path, doc_path)
+    real_path = os.path.realpath(filepath)
+    real_base = os.path.realpath(documents_path)
+    if not real_path.startswith(real_base + os.sep) and real_path != real_base:
+        raise ValueError("非法路径")
+    return real_path
+
+
 # 延迟初始化缓存
 _kb_manager = None
 _kb_checked = False
@@ -160,6 +178,10 @@ def serve_document_file(doc_path: str) -> Tuple[Any, int]:
     from flask import send_from_directory
 
     filepath = os.path.join(DOCUMENTS_PATH, doc_path)
+    try:
+        filepath = _validate_doc_path(doc_path, DOCUMENTS_PATH)
+    except ValueError:
+        return jsonify({"error": "非法路径"}), 403
     if not os.path.exists(filepath):
         return jsonify({"error": "文件不存在"}), 404
 
@@ -329,7 +351,8 @@ def upload_document() -> Tuple[Any, int]:
             sync_service.process_change(change)
             sync_status = "已保存并添加到向量库"
         except Exception as e:
-            sync_status = f"已保存，向量化失败: {str(e)}"
+            logger.warning(f"向量化失败: {e}")
+            sync_status = "已保存，向量化失败"
 
     return success_response(
         data={
@@ -404,6 +427,18 @@ def batch_upload_documents() -> Tuple[Any, int]:
             })
             continue
 
+        # 文件大小校验
+        file.seek(0, 2)
+        file_size = file.tell()
+        file.seek(0)
+        if file_size > MAX_FILE_SIZE:
+            results.append({
+                "filename": file.filename,
+                "status": "error",
+                "message": f"文件过大（最大 {MAX_FILE_SIZE // 1024 // 1024}MB）"
+            })
+            continue
+
         try:
             original_filename = file.filename
             ext = os.path.splitext(original_filename)[1].lower()
@@ -464,10 +499,11 @@ def batch_upload_documents() -> Tuple[Any, int]:
                 "replaced": replaced
             })
         except Exception as e:
+            logger.error(f"上传处理异常: {e}")
             results.append({
                 "filename": file.filename,
                 "status": "error",
-                "message": str(e)
+                "message": "上传处理失败"
             })
 
     return success_response(
@@ -644,12 +680,27 @@ def update_document(doc_path: str) -> Tuple[Any, int]:
     if file.filename == '':
         return jsonify({"error": "没有选择文件"}), 400
 
+    # 文件类型校验
+    ext = os.path.splitext(file.filename)[1].lower()
+    if ext not in ALLOWED_EXTENSIONS:
+        return jsonify({"error": f"不支持的文件类型: {ext}"}), 400
+
+    # 文件大小校验
+    file.seek(0, 2)  # 跳到文件末尾获取大小
+    file_size = file.tell()
+    file.seek(0)  # 回到文件开头
+    if file_size > MAX_FILE_SIZE:
+        return jsonify({"error": f"文件过大（最大 {MAX_FILE_SIZE // 1024 // 1024}MB）"}), 400
+
     # 解析路径
     parts = doc_path.split('/')
     if len(parts) < 2:
         return jsonify({"error": "无效的文档路径"}), 400
 
-    filepath = os.path.join(DOCUMENTS_PATH, doc_path)
+    try:
+        filepath = _validate_doc_path(doc_path, DOCUMENTS_PATH)
+    except ValueError:
+        return jsonify({"error": "非法路径"}), 403
     if not os.path.exists(filepath):
         return jsonify({"error": "文件不存在"}), 404
 
@@ -711,7 +762,10 @@ def delete_document(doc_path: str) -> Tuple[Any, int]:
     # 目录名即向量库名
     collection = subdir
 
-    filepath = os.path.join(DOCUMENTS_PATH, doc_path)
+    try:
+        filepath = _validate_doc_path(doc_path, DOCUMENTS_PATH)
+    except ValueError:
+        return jsonify({"error": "非法路径"}), 403
     if not os.path.exists(filepath):
         return jsonify({"error": "文件不存在"}), 404
 
@@ -730,7 +784,8 @@ def delete_document(doc_path: str) -> Tuple[Any, int]:
         })
 
     except Exception as e:
-        return jsonify({"error": f"删除失败: {str(e)}"}), 500
+        logger.error(f"删除文档异常: {e}")
+        return jsonify({"error": "删除失败，请稍后重试"}), 500
 
 
 @document_bp.route('/documents/<path:doc_path>/chunks', methods=['GET'])
@@ -817,7 +872,10 @@ def preview_document(doc_path: str) -> Tuple[Any, int]:
 
     # 查询参数
     chunk_index_str = request.args.get('chunk_index')
-    context_count = int(request.args.get('context', 2))
+    try:
+        context_count = max(0, min(int(request.args.get('context', 2)), 10))
+    except (ValueError, TypeError):
+        context_count = 2
 
     # 获取所有切片
     all_chunks = kb_manager.get_document_chunks(collection, filename)
@@ -1082,5 +1140,5 @@ def delete_chunks_by_source() -> Tuple[Any, int]:
             "message": f"已删除 {deleted_count} 个切片"
         })
     except Exception as e:
-        logger.error(f"批量删除切片失败: {e}")
+        logger.error(f"操作异常: {e}")
-        return jsonify({"error": str(e)}), 500
+        return jsonify({"error": "操作失败，请稍后重试"}), 500

api/feedback_routes.py

@@ -33,6 +33,9 @@
 
 from flask import Blueprint, request, jsonify
 from auth.gateway import require_gateway_auth, require_role
+import logging
+
+logger = logging.getLogger(__name__)
 
 feedback_bp = Blueprint('feedback', __name__)
 
@@ -95,7 +98,8 @@ def submit_feedback():
             "suggestion_id": result.get('suggestion_id')
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/feedback/stats', methods=['GET'])
@@ -113,7 +117,8 @@ def get_feedback_stats():
             "stats": stats
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/feedback/list', methods=['GET'])
@@ -141,7 +146,8 @@ def get_feedback_list():
             "total": len(feedbacks)
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/reports/weekly', methods=['GET'])
@@ -156,7 +162,8 @@ def get_weekly_report():
             "report": report.to_dict()
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/reports/monthly', methods=['GET'])
@@ -171,7 +178,8 @@ def get_monthly_report():
             "report": report.to_dict()
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq', methods=['GET'])
@@ -190,7 +198,8 @@ def get_faq_list():
             "total": len(faqs)
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq', methods=['POST'])
@@ -233,7 +242,8 @@ def create_faq():
             "message": "FAQ已创建，请通过 /faq/<id>/approve 接口确认后生效"
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq/<int:faq_id>/approve', methods=['POST'])
@@ -276,7 +286,8 @@ def approve_faq(faq_id):
             "message": "FAQ已批准并同步到知识库"
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq/<int:faq_id>', methods=['PUT'])
@@ -326,7 +337,8 @@ def update_faq(faq_id):
             "sync_status": sync_status
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq/<int:faq_id>', methods=['DELETE'])
@@ -358,7 +370,8 @@ def delete_faq(faq_id):
             "message": "FAQ删除成功" if deleted else "FAQ不存在"
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq/suggestions', methods=['GET'])
@@ -378,7 +391,8 @@ def get_faq_suggestions():
             "total": len(suggestions)
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq/suggestions/<int:suggestion_id>/approve', methods=['POST'])
@@ -413,7 +427,8 @@ def approve_faq_suggestion(suggestion_id):
         else:
             return jsonify({"error": result.get('error', '批准失败')}), 400
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/faq/suggestions/<int:suggestion_id>/reject', methods=['POST'])
@@ -429,7 +444,8 @@ def reject_faq_suggestion(suggestion_id):
             "message": "FAQ建议已拒绝" if rejected else "建议不存在"
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 # ==================== Bad Case 分析接口 ====================
@@ -472,7 +488,8 @@ def get_bad_cases():
             ]
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500
 
 
 @feedback_bp.route('/feedback/blacklist', methods=['GET'])
@@ -497,4 +514,5 @@ def get_chunk_blacklist():
             "usage": "在检索时过滤这些来源以提升回答质量"
         })
     except Exception as e:
-        return jsonify({"error": str(e)}), 500
+        logger.error(f"反馈操作异常: {e}")
+        return jsonify({"error": "操作失败，请稍后重试"}), 500

api/image_routes.py

@@ -9,8 +9,11 @@
 """
 
 import os
+import logging
 from flask import Blueprint, send_file, jsonify, current_app
 
+logger = logging.getLogger(__name__)
+
 image_bp = Blueprint('images', __name__)
 
 
@@ -70,7 +73,8 @@ def get_image(image_id: str):
 
                 return send_file(image_path, mimetype=mimetype)
             except Exception as e:
-                return jsonify({"error": f"读取图片失败: {str(e)}"}), 500
+                logger.error(f"读取图片异常: {e}")
+                return jsonify({"error": "读取图片失败"}), 500
 
     return jsonify({"error": "图片不存在", "image_id": image_id}), 404
 
@@ -122,7 +126,8 @@ def get_image_info(image_id: str):
                     "url": f"/images/{image_id}"
                 })
             except Exception as e:
-                return jsonify({"error": f"读取图片信息失败: {str(e)}"}), 500
+                logger.error(f"读取图片信息异常: {e}")
+                return jsonify({"error": "读取图片信息失败"}), 500
 
     return jsonify({"error": "图片不存在", "image_id": image_id}), 404
 
@@ -179,7 +184,8 @@ def list_images():
         })
 
     except Exception as e:
-        return jsonify({"error": f"列出图片失败: {str(e)}"}), 500
+        logger.error(f"列出图片异常: {e}")
+        return jsonify({"error": "列出图片失败"}), 500
 
 
 @image_bp.route('/images/stats', methods=['GET'])
@@ -222,4 +228,5 @@ def image_stats():
         })
 
     except Exception as e:
-        return jsonify({"error": f"获取统计信息失败: {str(e)}"}), 500
+        logger.error(f"获取统计信息异常: {e}")
+        return jsonify({"error": "获取统计信息失败"}), 500

api/kb_routes.py

@@ -391,10 +391,11 @@ def sync_documents() -> Tuple[Any, int]:
                 }
             })
         except Exception as e:
+            logger.error(f"知识库操作异常: {e}")
             results.append({
                 "collection": "all",
                 "status": "error",
-                "message": str(e)
+                "message": "操作失败"
             })
     else:
         # 没有 sync_service，返回提示
@@ -462,7 +463,8 @@ def debug_scan() -> Tuple[Any, int]:
             result["scanned_count"] = len(scanned)
             result["scanned_ids"] = list(scanned.keys())[:10]
         except Exception as e:
-            result["scan_error"] = str(e)
+            logger.error(f"扫描异常: {e}")
+            result["scan_error"] = "扫描失败"
 
     return jsonify(result)
 
@@ -499,9 +501,11 @@ def reindex_collection(kb_name: str) -> Tuple[Any, int]:
         from data.db import get_connection
         with get_connection("knowledge") as conn:
             cursor = conn.cursor()
+            # 转义 LIKE 通配符，防止 kb_name 中的 % 或 _ 导致非预期匹配
+            escaped_kb = kb_name.replace('%', '\\%').replace('_', '\\_')
             # 删除以 "{kb_name}/" 或 "{kb_name}\" 开头的文档哈希（兼容 Windows 和 Linux）
-            cursor.execute("DELETE FROM document_hashes WHERE document_id LIKE ? OR document_id LIKE ?",
+            cursor.execute("DELETE FROM document_hashes WHERE document_id LIKE ? ESCAPE '\\' OR document_id LIKE ? ESCAPE '\\'",
-                           (f"{kb_name}/%", f"{kb_name}\\%"))
+                           (f"{escaped_kb}/%", f"{escaped_kb}\\%"))
             deleted = cursor.rowcount
             logger.info(f"已清除 {deleted} 条哈希记录: {kb_name}")
     except Exception as e:
@@ -520,7 +524,8 @@ def reindex_collection(kb_name: str) -> Tuple[Any, int]:
                 "errors": result.errors
             })
         except Exception as e:
-            return jsonify({"error": str(e)}), 500
+            logger.error(f"reindex 异常: {e}")
+            return jsonify({"error": "操作失败，请稍后重试"}), 500
     else:
         return jsonify({"error": "同步服务不可用"}), 503
 
@@ -633,7 +638,8 @@ def deprecate_document(kb_name: str, filename: str) -> Tuple[Any, int]:
         )
         return jsonify(result)
     except Exception as e:
-        return jsonify({"success": False, "error": str(e)}), 500
+        logger.error(f"操作异常: {e}")
+        return jsonify({"success": False, "error": "操作失败，请稍后重试"}), 500
 
 
 @kb_bp.route('/collections/<kb_name>/documents/<path:filename>/restore', methods=['POST'])
@@ -664,7 +670,8 @@ def restore_document(kb_name: str, filename: str) -> Tuple[Any, int]:
         result = kb_manager.restore_document(kb_name, filename)
         return jsonify(result)
     except Exception as e:
-        return jsonify({"success": False, "error": str(e)}), 500
+        logger.error(f"操作异常: {e}")
+        return jsonify({"success": False, "error": "操作失败，请稍后重试"}), 500
 
 
 @kb_bp.route('/collections/<kb_name>/documents/<path:filename>/versions', methods=['GET'])
@@ -720,7 +727,8 @@ def get_document_versions(kb_name: str, filename: str) -> Tuple[Any, int]:
             "total": len(versions_data)
         })
     except Exception as e:
-        return jsonify({"success": False, "error": str(e)}), 500
+        logger.error(f"操作异常: {e}")
+        return jsonify({"success": False, "error": "操作失败，请稍后重试"}), 500
 
 
 @kb_bp.route('/collections/<kb_name>/update-image-descriptions', methods=['POST'])
@@ -754,7 +762,8 @@ def update_image_descriptions(kb_name: str) -> Tuple[Any, int]:
         result = kb_manager.update_image_descriptions(kb_name)
         return jsonify(result)
     except Exception as e:
-        return jsonify({"success": False, "error": str(e)}), 500
+        logger.error(f"操作异常: {e}")
+        return jsonify({"success": False, "error": "操作失败，请稍后重试"}), 500
 
 
 @kb_bp.route('/collections/sync-vlm-cache', methods=['POST'])

api/session_routes.py

@@ -33,6 +33,8 @@ def get_sessions():
     }
     """
     session_manager = current_app.config['SESSION_MANAGER']
+    if session_manager is None:
+        return jsonify({"error": "会话服务不可用"}), 503
     user_id = request.current_user["user_id"]
 
     sessions = session_manager.get_user_sessions(user_id, limit=20)
@@ -62,6 +64,8 @@ def get_history(session_id):
     }
     """
     session_manager = current_app.config['SESSION_MANAGER']
+    if session_manager is None:
+        return jsonify({"error": "会话服务不可用"}), 503
     user_id = request.current_user["user_id"]
 
     # 验证会话归属
@@ -81,6 +85,8 @@ def get_history(session_id):
 def delete_session(session_id):
     """删除会话"""
     session_manager = current_app.config['SESSION_MANAGER']
+    if session_manager is None:
+        return jsonify({"error": "会话服务不可用"}), 503
     user_id = request.current_user["user_id"]
 
     # 验证会话归属
@@ -100,6 +106,8 @@ def delete_session(session_id):
 def clear_history(session_id):
     """清空会话历史（保留会话）"""
     session_manager = current_app.config['SESSION_MANAGER']
+    if session_manager is None:
+        return jsonify({"error": "会话服务不可用"}), 503
     user_id = request.current_user["user_id"]
 
     # 验证会话归属

api/sync_routes.py

@@ -112,10 +112,11 @@ def trigger_sync() -> Tuple[Any, int]:
             message="同步完成"
         )
     except Exception as e:
+        logger.error(f"同步操作异常: {e}")
         return error_response(
             error="SYNC_ERROR",
             error_code=SYNC_ERROR,
-            message=str(e),
+            message="操作失败",
             http_status=500
         )
 
@@ -164,11 +165,12 @@ def get_sync_status() -> Tuple[Any, int]:
 
         return jsonify(status)
     except Exception as e:
+        logger.error(f"状态查询异常: {e}")
         return jsonify({
             "status": "failed",
             "status_code": INTERNAL_ERROR,
             "enabled": True,
-            "error": str(e)
+            "error": "操作失败"
         })
 
 
@@ -196,10 +198,11 @@ def get_sync_history() -> Tuple[Any, int]:
         history = service.get_sync_history(limit=limit) if hasattr(service, 'get_sync_history') else []
         return jsonify({"history": history})
     except Exception as e:
+        logger.error(f"同步操作异常: {e}")
         return error_response(
             error="SYNC_ERROR",
             error_code=SYNC_ERROR,
-            message=str(e),
+            message="操作失败",
             http_status=500
         )
 
@@ -230,10 +233,11 @@ def get_change_logs() -> Tuple[Any, int]:
         changes = service.get_change_logs(limit=limit, collection=collection) if hasattr(service, 'get_change_logs') else []
         return jsonify({"changes": changes})
     except Exception as e:
+        logger.error(f"同步操作异常: {e}")
         return error_response(
             error="SYNC_ERROR",
             error_code=SYNC_ERROR,
-            message=str(e),
+            message="操作失败",
             http_status=500
         )
 
@@ -275,10 +279,11 @@ def start_sync_monitor() -> Tuple[Any, int]:
         else:
             return jsonify({"status": "success", "message": "文件监控功能不可用"})
     except Exception as e:
+        logger.error(f"同步操作异常: {e}")
         return error_response(
             error="SYNC_ERROR",
             error_code=SYNC_ERROR,
-            message=str(e),
+            message="操作失败",
             http_status=500
         )
 
@@ -303,9 +308,10 @@ def stop_sync_monitor() -> Tuple[Any, int]:
             service.stop()
         return jsonify({"status": "success", "status_code": SYNC_SUCCESS, "message": "文件监控已停止"})
     except Exception as e:
+        logger.error(f"同步操作异常: {e}")
         return error_response(
             error="SYNC_ERROR",
             error_code=SYNC_ERROR,
-            message=str(e),
+            message="操作失败",
             http_status=500
         )

core/bm25_index.py

@@ -14,6 +14,7 @@ BM25 关键词检索索引
 
 import os
 import pickle
+import threading
 import numpy as np
 from rank_bm25 import BM25Okapi
 import jieba
@@ -105,16 +106,19 @@ class BM25Index:
 # ==================== 全局 BM25 索引管理器 ====================
 
 _bm25_indexer: BM25Index = None
+_bm25_lock = threading.Lock()  # 单例创建锁，防止多线程竞态条件
 
 
 def get_bm25_indexer() -> BM25Index:
     """
-    获取全局 BM25 索引器实例
+    获取全局 BM25 索引器实例（双重检查锁定，线程安全）
 
     Returns:
         BM25Index 实例
     """
     global _bm25_indexer
+    if _bm25_indexer is None:
+        with _bm25_lock:
             if _bm25_indexer is None:
                 _bm25_indexer = BM25Index()
     return _bm25_indexer
@@ -122,7 +126,7 @@ def get_bm25_indexer() -> BM25Index:
 
 def init_bm25_indexer(ids=None, documents=None, metadatas=None) -> BM25Index:
     """
-    初始化 BM25 索引器并添加文档
+    初始化 BM25 索引器并添加文档（加锁，线程安全）
 
     Args:
         ids: 文档 ID 列表
@@ -133,6 +137,7 @@ def init_bm25_indexer(ids=None, documents=None, metadatas=None) -> BM25Index:
         初始化后的 BM25Index 实例
     """
     global _bm25_indexer
+    with _bm25_lock:
         _bm25_indexer = BM25Index()
         if ids and documents:
             _bm25_indexer.add_documents(ids, documents, metadatas or [])

core/engine.py

@@ -31,6 +31,7 @@ import os
 import gc
 import time
 import logging
+import threading
 import numpy as np
 from typing import List, Tuple, Optional, Dict, Any
 
@@ -50,6 +51,7 @@ except ImportError:
 
 # 延迟导入，防止循环依赖
 _engine_instance = None
+_engine_lock = threading.Lock()  # 单例创建锁，防止多线程竞态条件
 
 try:
     from config import (
@@ -327,8 +329,10 @@ class RAGEngine:
 
     @classmethod
     def get_instance(cls) -> 'RAGEngine':
-        """获取引擎单例实例"""
+        """获取引擎单例实例（双重检查锁定，线程安全）"""
         global _engine_instance
+        if _engine_instance is None:
+            with _engine_lock:
                 if _engine_instance is None:
                     _engine_instance = cls()
         return _engine_instance

core/intent_analyzer.py

@@ -18,6 +18,7 @@
 import json
 import logging
 import hashlib
+import threading
 from dataclasses import dataclass, asdict
 from typing import List, Dict, Optional, Tuple
 
@@ -503,10 +504,13 @@ class IntentAnalyzer:
 # ==================== 便捷函数 ====================
 
 _analyzer = None
+_analyzer_lock = threading.Lock()  # 单例创建锁，防止多线程竞态条件
 
 def get_intent_analyzer() -> IntentAnalyzer:
-    """获取意图分析器单例"""
+    """获取意图分析器单例（双重检查锁定，线程安全）"""
     global _analyzer
+    if _analyzer is None:
+        with _analyzer_lock:
             if _analyzer is None:
                 _analyzer = IntentAnalyzer()
     return _analyzer

core/llm_utils.py

@@ -237,6 +237,76 @@ def parse_json_list_from_response(content: str) -> Optional[List[dict]]:
         return None
 
 
+def extract_json_object(content: str) -> Optional[dict]:
+    """
+    多策略从 LLM 响应中提取 JSON 对象（增强版）
+
+    在 parse_json_from_response 基础上增加 fallback 策略：
+    1. 先调用 parse_json_from_response（markdown 代码块 → 直接解析）
+    2. 失败后 fallback 到正则匹配最外层 {...} 块
+
+    Args:
+        content: LLM 返回的原始内容
+
+    Returns:
+        解析后的字典，全部策略失败返回 None
+    """
+    if not content:
+        return None
+
+    # 策略1+2：markdown 代码块提取 + 直接 json.loads
+    result = parse_json_from_response(content)
+    if result is not None and isinstance(result, dict):
+        return result
+
+    # 策略3（fallback）：正则匹配最外层 JSON 对象 {...}
+    brace_match = re.search(r'\{[\s\S]*\}', content)
+    if brace_match:
+        try:
+            parsed = json.loads(brace_match.group(0))
+            if isinstance(parsed, dict):
+                return parsed
+        except (json.JSONDecodeError, TypeError, ValueError):
+            pass
+
+    return None
+
+
+def extract_json_list(content: str) -> Optional[list]:
+    """
+    多策略从 LLM 响应中提取 JSON 数组（增强版）
+
+    在 parse_json_list_from_response 基础上增加 fallback 策略：
+    1. 先调用 parse_json_list_from_response（markdown 代码块 → 直接解析 → 嵌套提取）
+    2. 失败后 fallback 到正则匹配最外层 [...] 块
+
+    Args:
+        content: LLM 返回的原始内容
+
+    Returns:
+        解析后的列表，全部策略失败返回 None
+    """
+    if not content:
+        return None
+
+    # 策略1+2：markdown 代码块提取 + 直接 json.loads + 嵌套 key 提取
+    result = parse_json_list_from_response(content)
+    if result is not None:
+        return result
+
+    # 策略3（fallback）：正则匹配最外层 JSON 数组 [...]
+    bracket_match = re.search(r'\[[\s\S]*\]', content)
+    if bracket_match:
+        try:
+            parsed = json.loads(bracket_match.group(0))
+            if isinstance(parsed, list):
+                return parsed
+        except (json.JSONDecodeError, TypeError, ValueError):
+            pass
+
+    return None
+
+
 # ==================== 便捷函数 ====================
 
 def quick_ask(

core/prompt_guard.py

@@ -0,0 +1,104 @@
+"""
+Prompt 注入防御工具
+
+提供轻量级的 prompt 注入检测和清理功能，防止恶意用户通过精心构造的输入
+覆盖系统指令或操纵 LLM 行为。
+"""
+
+import re
+import logging
+
+logger = logging.getLogger(__name__)
+
+# 常见注入模式（中英文）
+_INJECTION_PATTERNS = [
+    # 英文注入模式
+    r'ignore\s+(all\s+)?(previous|above|prior)\s+(instructions?|prompts?|rules?)',
+    r'you\s+are\s+now\s+(a|an)\s+',
+    r'forget\s+(everything|all|your)\s+',
+    r'disregard\s+(all\s+)?(previous|prior|above)',
+    r'override\s+(your|the|all)\s+(instructions?|rules?|system)',
+    r'reveal\s+(your|the)\s+(system\s+)?(prompt|instructions?)',
+    r'act\s+as\s+(if\s+)?(you\s+are\s+)?',
+    # 中文注入模式
+    r'忽略(之前|以上|前面|所有).*(指令|规则|提示|约束)',
+    r'你现在是(一个|新的)?',
+    r'忘记(之前|所有|你).*(规则|指令|设定)',
+    r'无视(系统|所有|之前).*(指令|规则|提示)',
+    r'不要遵守(任何|之前|系统).*(指令|规则)',
+]
+
+# 编译正则表达式（不区分大小写）
+_COMPILED_PATTERNS = [
+    re.compile(p, re.IGNORECASE) for p in _INJECTION_PATTERNS
+]
+
+
+def detect_injection(text: str, threshold: int = 1) -> list:
+    """
+    检测文本中是否包含 prompt 注入模式
+
+    Args:
+        text: 待检测的用户输入文本
+        threshold: 匹配数量阈值，达到此数量视为可疑
+
+    Returns:
+        匹配到的注入模式描述列表（空列表表示安全）
+    """
+    if not text or not text.strip():
+        return []
+
+    matches = []
+    for pattern in _COMPILED_PATTERNS:
+        match = pattern.search(text)
+        if match:
+            matches.append(match.group()[:50])
+
+    if len(matches) >= threshold:
+        logger.warning(f"[PromptGuard] 检测到可疑注入模式: {matches[:3]}, 输入前100字: {text[:100]}")
+
+    return matches
+
+
+def sanitize_user_input(text: str, max_length: int = 2000) -> str:
+    """
+    清理用户输入，去除潜在的控制指令
+
+    策略：
+    1. 截断超长输入
+    2. 去除 null 字节和控制字符
+    3. 限制输入长度
+
+    Args:
+        text: 原始用户输入
+        max_length: 最大长度
+
+    Returns:
+        清理后的安全文本
+    """
+    if not text:
+        return ""
+
+    # 去除 null 字节和控制字符（保留换行和空格）
+    text = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]', '', text)
+
+    # 截断超长输入
+    if len(text) > max_length:
+        text = text[:max_length]
+        logger.debug(f"[PromptGuard] 输入超长，截断至 {max_length} 字")
+
+    return text
+
+
+def wrap_document_content(content: str, label: str = "参考资料") -> str:
+    """
+    将文档内容包装在明确的标记内，降低文档内容被当作指令执行的风险
+
+    Args:
+        content: 文档原始内容
+        label: 标签名称
+
+    Returns:
+        包装后的内容
+    """
+    return f"[以下为{label}，非系统指令]\n---\n{content}\n---\n[{label}结束]"

docs/代码审查报告_2026-06-05.md

@@ -0,0 +1,180 @@
+## RAG-Agent 代码审查报告（精简版）
+
+审查日期：2026-06-05
+
+排除说明：storage 模块尚未启用（暂不纳入）；用户认证/权限由后端服务负责（生产环境 RAG 服务为无状态接口，不做鉴权）。
+
+---
+
+### 一、高危问题（6 项）
+
+**H1. SSE 错误事件泄露完整堆栈信息**
+- 文件：`api/chat_routes.py:1955`
+- `/rag` 接口 SSE 生成器在异常时将 `traceback.format_exc()` 完整堆栈直接发给客户端，暴露调用栈、文件路径、代码行号、内部变量。
+- 修复：移除 traceback 字段，仅在服务端日志记录，客户端返回通用错误消息。
+
+**H2. 文档更新/删除接口存在路径遍历风险**
+- 文件：`api/document_routes.py:652,714`
+- `update_document` 和 `delete_document` 直接将 URL 中的 `doc_path` 拼接到文件路径，未做安全校验。可构造 `../../` 路径遍历载荷。
+- 修复：使用 `os.path.realpath()` 解析最终路径，验证是否在 DOCUMENTS_PATH 目录下。
+
+**H3. `serve_document_file` 路径遍历风险**
+- 文件：`api/document_routes.py:139`
+- 文件服务接口同样存在路径遍历风险。虽然有 DEV_MODE 开关，但默认值为 `'true'`。
+- 修复：添加 realpath 校验。
+
+**H4. 文档更新接口缺少文件类型和大小校验**
+- 文件：`api/document_routes.py:621`
+- `update_document` (PUT) 未验证文件类型和大小，直接 `file.save(filepath)`。与之对比，`upload_document` 有完整校验。
+- 修复：添加与 upload 一致的 ALLOWED_EXTENSIONS 和 MAX_FILE_SIZE 校验。
+
+**H5. 批量上传接口缺少文件大小校验**
+- 文件：`api/document_routes.py:350`
+- `batch_upload_documents` 对每个文件只检查了扩展名，未检查文件大小。可批量上传超大文件导致磁盘耗尽。
+- 修复：在循环内添加 MAX_FILE_SIZE 校验。
+
+**H6. `main.py` debug 模式默认开启 + 监听 0.0.0.0**
+- 文件：`main.py:29-31`
+- `--debug` 默认 `True`，`--host` 默认 `0.0.0.0`。Flask 调试模式启用 Werkzeug 交互式 debugger，可通过触发异常执行任意代码。
+- 修复：`--debug` 默认值改为 `False`。
+
+---
+
+### 二、中危问题（13 项）
+
+**M1. 多处异常响应直接暴露内部错误信息**
+- 文件：`document_routes.py:332,467,733`；`kb_routes.py:523,636`；`feedback_routes.py:98,116`；`sync_routes.py:119`；`audit_routes.py:100` 等。
+- 大量 `except` 块直接 `str(e)` 返回给客户端，可能包含数据库路径、SQL 片段、文件系统结构。
+- 修复：统一使用通用错误消息，原始异常仅记录到服务端日志。
+
+**M2. `/search` 接口缺少输入安全验证**
+- 文件：`api/chat_routes.py:1974`
+- 未调用 `validate_query()` 做注入检测和长度限制，与 `/chat`、`/rag` 不一致。
+- 修复：添加 `validate_query(query)` 调用。
+
+**M3. `/search` 的 `top_k` 参数未校验范围**
+- 文件：`api/chat_routes.py:1989`
+- 可传 `top_k=999999` 导致内存溢出。
+- 修复：`top_k = max(1, min(int(top_k), 50))`。
+
+**M4. `context_count` 参数未校验范围**
+- 文件：`api/document_routes.py:821`
+- 未限制范围且非整数字符串会 ValueError 导致 500。
+- 修复：try/except + `max(0, min(n, 10))`。
+
+**M5. CORS 配置允许所有来源**
+- 文件：`api/__init__.py:70`
+- `CORS(app)` 默认允许 `*` 跨域。生产环境应限制为已知前端域名。
+- 修复：根据 APP_ENV 条件配置 origins。
+
+**M6. LIKE 通配符注入风险**
+- 文件：`api/kb_routes.py:503`
+- `kb_name` 含 `%` 或 `_` 时会导致非预期的 LIKE 匹配行为。
+- 修复：对 LIKE 特殊字符转义后再拼入模式。
+
+**M7. SESSION_MANAGER 为 None 时未处理**
+- 文件：`api/session_routes.py:35,64,83,102`
+- 初始化失败时 SESSION_MANAGER 为 None，调用方法会触发 AttributeError 导致 500。
+- 修复：使用前检查 None，返回 503。
+
+**M8. LLM 调用缺少统一的超时和重试机制**
+- 文件：`core/llm_utils.py`
+- 部分 LLM 调用无超时控制，长时间阻塞会耗尽 worker。`@retry` 装饰器只在部分方法上使用。
+- 修复：在 `_call_llm` 层面统一超时和重试。
+
+**M9. LLM 输出 JSON 解析不够健壮**
+- 文件：`core/agentic.py`、`core/agentic_answer.py`、`core/agentic_quality.py` 等
+- 多处 LLM 返回的 JSON 解析缺少多策略提取和重试，仅靠 prompt 约束。exam_pkg 已修复但 core 模块尚未统一。
+- 修复：提取 exam_pkg 的 `_extract_json` 为公共工具，core 模块统一使用。
+
+**M10. Prompt 注入风险**
+- 文件：`core/engine.py:2017`、`core/agentic_answer.py:83`
+- 用户输入直接拼入 prompt，未做净化。恶意输入可操控 LLM 输出。
+- 修复：对用户输入做基本的 prompt 注入检测（如检测 "ignore previous instructions" 等模式）。
+
+**M11. `subprocess.run` 命令参数注入风险**
+- 文件：`parsers/mineru_parser.py:632`
+- file_path 中特殊字符（如以 `-` 开头的文件名）可能被命令行工具解释为选项。
+- 修复：在文件路径前插入 `--` 分隔符；对 backend、lang 参数做白名单校验。
+
+**M12. Excel/文本解析器无文件大小限制**
+- 文件：`parsers/excel_parser.py:81`、`parsers/txt_parser.py:15`
+- 一次性加载全文件到内存，超大文件导致 OOM。
+- 修复：解析前检查文件大小，设定上限（如 50MB）。
+
+**M13. 全局变量缓存竞态条件**
+- 文件：`api/document_routes.py:100`、`api/kb_routes.py:46`
+- 模块级全局变量 `_kb_manager` 等在多线程 gunicorn 下存在竞态。
+- 修复：使用 `threading.Lock` 保护或改用 `flask.current_app.config`。
+
+---
+
+### 三、低危问题（12 项）
+
+**L1.** `config.py` 硬编码第三方 API 端点 `xiaomimimo.com` 作为默认值（第 20 行）— 改为空字符串，要求环境变量显式配置。
+
+**L2.** `python-dotenv` 未安装时静默跳过，服务可能 fail-open 启动（`config.py:11`）— 生产环境缺失时抛异常。
+
+**L3.** `assert` 校验可被 `python -O` 跳过（`api/__init__.py:236`）— 改为 `raise ValueError`。
+
+**L4.** `/chat` 的 `history` 未限长度（`chat_routes.py:1247`）— 可消耗大量 token。
+
+**L5.** `history` 元素结构未验证（`chat_routes.py:1117`）— 缺少字段时 KeyError 导致 500。
+
+**L6.** `safe_filename` 运算符优先级不明确（`document_routes.py:94`）— 加括号明确。
+
+**L7.** DocStore glob 模式未转义特殊字符（`document_routes.py:267`）— 用 `glob.escape()`。
+
+**L8.** 相对路径 `.data/images` 因工作目录不同可能解析错误（`chat_routes.py:59`）— 改用 PROJECT_ROOT 绝对路径。
+
+**L9.** `asyncio.run()` 在 Flask 请求上下文中兼容性问题（`chat_routes.py:1744`）。
+
+**L10.** Excel 同一文件被重复读取多次（`excel_parser.py:81,89`）— 应复用 ExcelFile 对象。
+
+**L11.** PDF 图片提取 `doc` 对象异常时未关闭（`image_extractor.py:78`）— 改用 `with` 语句。
+
+**L12.** TXT 解析器异常用 `print` 而非 `logger`（`txt_parser.py:26`）。
+
+---
+
+### 四、修复优先级
+
+按修复成本从低到高排序：
+
+**第一批：快速修复（半天，改几行代码）**
+
+| 编号 | 问题 | 改动量 |
+|:---:|---|:---:|
+| H6 | main.py debug 默认开启 | 1 行 |
+| M3 | /search top_k 范围校验 | 2 行 |
+| M2 | /search 加 validate_query | 2 行 |
+| M4 | context_count 范围校验 | 3 行 |
+| L3 | assert 改 raise | 3 行 |
+| H1 | SSE 移除 traceback 字段 | 5 行 |
+
+**第二批：安全加固（1-2 天）**
+
+| 编号 | 问题 | 改动量 |
+|:---:|---|:---:|
+| H2+H3 | 文档接口路径遍历 realpath 校验 | ~30 行 |
+| H4+H5 | 文档更新/批量上传加文件校验 | ~30 行 |
+| M6 | LIKE 通配符转义 | ~10 行 |
+| M1 | 异常信息统一脱敏 | 多文件，每处 2-3 行 |
+| M5 | CORS 生产环境限制来源 | ~5 行 |
+| M7 | SESSION_MANAGER None 保护 | ~10 行 |
+| M11 | subprocess 参数注入防护 | ~5 行 |
+
+**第三批：架构改进（1-2 周）**
+
+| 编号 | 问题 | 说明 |
+|:---:|---|---|
+| M8+M9 | LLM 调用统一超时/重试/解析 | 提取 exam_pkg 经验为公共工具 |
+| M10 | Prompt 注入防御 | 需设计检测规则 |
+| M13 | 全局变量竞态修复 | threading.Lock |
+| M12 | 解析器文件大小限制 | 统一加前置校验 |
+
+---
+
+### 五、做得好的方面
+
+SQL 查询全部使用参数化查询，无注入风险；`validate_query()` 对聊天输入做了注入检测和违禁词过滤；`safe_filename` 对上传文件做了基本防护；`filter_response()` 能过滤 API 密钥等敏感信息；exam_pkg 的输入校验体系完整（已在本轮开发中加固）；`.gitignore` 正确排除了 `.env` 等敏感文件。

exam_pkg/grader.py

@@ -16,7 +16,6 @@
 
 import json
 import logging
-import re
 import threading
 import time
 from concurrent.futures import ThreadPoolExecutor, as_completed
@@ -24,7 +23,7 @@ from functools import wraps
 from typing import List, Dict, Any, Optional
 
 # 导入 LLM 工具函数
-from core.llm_utils import call_llm
+from core.llm_utils import call_llm, extract_json_object
 
 logger = logging.getLogger(__name__)
 
@@ -378,47 +377,12 @@ class AnswerGrader:
         return result
 
     def _extract_json(self, response: str) -> dict:
-        """
+        """多策略从 LLM 响应中提取 JSON 对象（使用共享工具）"""
-        多策略从 LLM 响应中提取 JSON 对象
+        result = extract_json_object(response)
-
+        if result is not None:
-        策略优先级：
+            return result
-        1. markdown 代码块提取 ```json ... ```
-        2. 直接 json.loads
-        3. 正则匹配第一个 {...} 块
-        """
         if not response:
             raise ValueError("LLM 返回为空")
-
-        # 策略1：提取 markdown 代码块
-        json_match = re.search(r'```(?:json)?\s*([\s\S]*?)\s*```', response)
-        if json_match:
-            json_str = json_match.group(1).strip()
-            try:
-                result = json.loads(json_str)
-                if isinstance(result, dict):
-                    return result
-            except json.JSONDecodeError:
-                pass  # 继续下一策略
-
-        # 策略2：直接解析整个响应
-        try:
-            result = json.loads(response.strip())
-            if isinstance(result, dict):
-                return result
-        except json.JSONDecodeError:
-            pass  # 继续下一策略
-
-        # 策略3：正则匹配最外层 JSON 对象
-        brace_match = re.search(r'\{[\s\S]*\}', response)
-        if brace_match:
-            try:
-                result = json.loads(brace_match.group(0))
-                if isinstance(result, dict):
-                    return result
-            except json.JSONDecodeError:
-                pass
-
-        # 全部策略失败
         raise json.JSONDecodeError(
             f"无法从 LLM 响应中提取有效 JSON，响应前300字: {response[:300]}",
             response, 0

main.py

@@ -28,7 +28,7 @@ def main():
     parser = argparse.ArgumentParser(description='RAG API 服务')
     parser.add_argument('--host', default='0.0.0.0', help='监听地址（默认 0.0.0.0）')
     parser.add_argument('--port', type=int, default=5001, help='监听端口（默认 5001）')
-    parser.add_argument('--debug', action='store_true', default=True, help='调试模式')
+    parser.add_argument('--debug', action='store_true', default=False, help='调试模式')
     parser.add_argument('--no-debug', action='store_true', help='关闭调试模式')
     args = parser.parse_args()
 

parsers/excel_parser.py

@@ -24,6 +24,9 @@ logger = logging.getLogger(__name__)
 # 大表切片阈值
 MAX_ROWS_PER_CHUNK = 200
 
+# 文件大小限制
+MAX_FILE_SIZE = 50 * 1024 * 1024  # 50MB
+
 
 @dataclass
 class UnifiedChunk:
@@ -67,6 +70,13 @@ def parse_excel(
         }
     """
     filepath = Path(filepath)
+    
+    # 检查文件大小
+    if filepath.exists():
+        file_size = filepath.stat().st_size
+        if file_size > MAX_FILE_SIZE:
+            raise ValueError(f"文件过大: {file_size / 1024 / 1024:.1f}MB，最大允许 {MAX_FILE_SIZE / 1024 / 1024:.0f}MB")
+    
     if not filepath.exists():
         raise FileNotFoundError(f"文件不存在: {filepath}")
 

parsers/mineru_parser.py

@@ -46,6 +46,9 @@ import logging
 
 logger = logging.getLogger(__name__)
 
+# 文件大小限制
+MAX_PDF_SIZE = 100 * 1024 * 1024  # 100MB
+
 # 支持的文件格式
 SUPPORTED_FORMATS = {
     '.pdf': 'PDF 文档',
@@ -176,6 +179,11 @@ def parse_with_mineru_online(
     if not file_path.exists():
         raise FileNotFoundError(f"文件不存在: {file_path}")
 
+    # 检查文件大小
+    file_size = file_path.stat().st_size
+    if file_size > MAX_PDF_SIZE:
+        raise ValueError(f"文件过大: {file_size / 1024 / 1024:.1f}MB，最大允许 {MAX_PDF_SIZE / 1024 / 1024:.0f}MB")
+
     logger.info(f"使用 MinerU 在线 API 解析: {file_path.name}")
 
     # 读取文件内容
@@ -600,6 +608,11 @@ def parse_with_mineru(
     if not file_path.exists():
         raise FileNotFoundError(f"文件不存在: {file_path}")
 
+    # 检查文件大小
+    file_size = file_path.stat().st_size
+    if file_size > MAX_PDF_SIZE:
+        raise ValueError(f"文件过大: {file_size / 1024 / 1024:.1f}MB，最大允许 {MAX_PDF_SIZE / 1024 / 1024:.0f}MB")
+
     # 检查文件格式
     suffix = file_path.suffix.lower()
     if suffix not in SUPPORTED_FORMATS:
@@ -629,8 +642,17 @@ def parse_with_mineru(
     if not mineru_exe.exists():
         mineru_exe = "mineru"  # 回退到系统 PATH
 
+    # 参数白名单校验，防止注入非法参数
+    ALLOWED_BACKENDS = {'auto', 'pipeline', 'vlm', 'vlm-sglang', 'vlm-auto-engine', 'hybrid-auto-engine', 'ocr'}
+    ALLOWED_LANGS = {'ch', 'en', 'ch_lite', 'en_lite', 'formula', 'table'}
+    if backend not in ALLOWED_BACKENDS:
+        backend = 'pipeline'
+    if lang not in ALLOWED_LANGS:
+        lang = 'ch'
+
     cmd = [
         str(mineru_exe),
+        "--",
         "-p", str(file_path),
         "-o", str(output_dir),
         "-m", "auto",
@@ -1458,6 +1480,11 @@ def parse_with_mineru_persistent(
     if not file_path.exists():
         raise FileNotFoundError(f"文件不存在: {file_path}")
 
+    # 检查文件大小
+    file_size = file_path.stat().st_size
+    if file_size > MAX_PDF_SIZE:
+        raise ValueError(f"文件过大: {file_size / 1024 / 1024:.1f}MB，最大允许 {MAX_PDF_SIZE / 1024 / 1024:.0f}MB")
+
     # 计算文件 hash，用于隔离输出目录
     file_hash = compute_file_hash(str(file_path))
     output_dir = Path(output_base) / file_hash

parsers/txt_parser.py

@@ -5,12 +5,25 @@ TXT 文本解析器
 """
 
 import logging
+import os
 
 logger = logging.getLogger(__name__)
 
+# 文件大小限制
+MAX_TXT_SIZE = 20 * 1024 * 1024  # 20MB
+
 
 def extract_text_from_txt(filepath):
     """从TXT提取文本"""
+    # 检查文件大小
+    try:
+        file_size = os.path.getsize(filepath)
+        if file_size > MAX_TXT_SIZE:
+            logger.error(f"TXT文件过大: {file_size / 1024 / 1024:.1f}MB")
+            return ""
+    except OSError:
+        return ""
+    
     try:
         with open(filepath, 'r', encoding='utf-8') as f:
             return f.read()