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

代码仓库：https://github.com/liangdabiao/Multimodal-RAG

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。

![配图：不做 OCR，直接让 AI「看」PDF 页面回答](assets/multimodal-rag/01.png)

## 它能做什么

- PDF 页面直接视觉编码，不做文本提取/OCR
- 完整保留表格、图表、排版、手写批注
- 支持 Cohere / DashScope Embedding 切换
- 支持 DashScope / OpenRouter 视觉模型切换

## 怎么用

上传 PDF，用自然语言提问即可得到带出处的回答。

## 适合谁 & 边界

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。

## 仓库

https://github.com/liangdabiao/Multimodal-RAG