Multimodal-RAG

Multimodal-RAG 是一个基于多模态 Embedding 和 Zilliz 的视觉理解系统，支持 Cohere/DashScope Embedding 和 DashScope/OpenRouter LLM 双引擎切换。用户上传 PDF 文件后，可以通过自然语言提问，系统会自动检索最相关的页面并由 AI 生成回答。与传统 RAG 不同，该项目直接将 PDF 页面当作图片处理，通过视觉 Embedding 模型编码，完整保留表格、图表、排版和手写批注等所有视觉信息。该系统适合处理扫描件 PDF、图文混排文档以及含公式和表格的专业资料，特别适用于需要保留文档视觉信息的场景。技术上，项目使用 PyMuPDF 将 PDF 转为图片，利用云端 API 完成所有 AI 计算，并通过 Zilliz Serverless 云向量数据库进行高效索引和搜索，无需本地 GPU 和复杂依赖。