不做 OCR，直接让 AI「看」PDF 页面回答 —— multimodal-rag 介绍传统 RAG 要先提取文字、做

不做 OCR，直接让 AI「看」PDF 页面回答 —— multimodal-rag 介绍

传统 RAG 要先提取文字、做 OCR，表格图表容易丢。这个多模态 RAG 直接把 PDF 每一页当成图片，用视觉 Embedding 编码，完整保留表格、图表、排版甚至手写批注，再由 Qwen 视觉模型理解回答。

上传 PDF，用自然语言提问即可得到带出处的回答。

处理扫描件、图表密集型文档的人。视觉方案的索引成本比纯文本略高。