PixelRAG 运营中

PixelRAG 是伯克利 SkyLab/BAIR 开源的视觉原生 RAG 框架。框架跳出网页抽成纯文本再检索的传统路线，改用浏览器把网页、PDF 渲染成截图瓦片，通过 LoRA 微调的 Qwen3-VL 视觉向量检索，让模型直接读图上的表格、图表和版式，解决传统 RAG 丢表格、丢版式的痛点。

页面渲染（pixelshot）：用无头 Chromium把网页、PDF 渲染成截图瓦片，完整保留表格、图表、版式；Windows/macOS 自动调用系统 Chrome，支持 URL 与本地文件混用。
视觉语义检索：将截图编码为向量，支持文本搜图、以图搜图；本地默认 FAISS，大规模可切换 Qdrant（支持量化压缩、磁盘存储、多服务共享）。
像素直接阅读：检索命中的截图直接作为图像输入喂给 VLM 回答问题，全程无文本转换。
托管搜索服务：免密钥 API+ 网页 Demo，内置 828 万维基百科页预建索引，开箱即搜。
自建索引管线：pixelrag index / embed / build-index / serve 全套命令，可对自己的 PDF、站点建库，Mac（Apple Silicon）即可跑小规模。
Agent 集成：Claude Code 插件 pixelbrowse，无 MCP 依赖，让 Claude 截图”看”网页而非吞残缺 HTML。

微信关注回复“开源”，加入AI开源项目交流群
表示层——文档即图像：用无头 Chromium 把网页截图、把 PDF 按页转图并切分为瓦片，使表格行列对齐、图表、信息图等视觉结构原样保留。
检索层——视觉向量嵌入：基于 Qwen3-VL-Embedding-2B，用对比学习数据做 LoRA 微调，让截图可被语义检索，查询命中的是”那一块图”而非”那一段字”；向量本地存 FAISS，大规模可切 Qdrant。
生成层——VLM 读图作答：检索命中的截图瓦片直接作为像素输入交给视觉语言模型，模型从图上直接读数字和版式，全程无中间文本转换。
规模与效率：首个用截图形式覆盖全量维基百科的 RAG 管线；像素表示还带来新的效率杠杆——降低截图分辨率可使 token 成本最多降 3 倍且精度不降，实验上全面超越文本 RAG 基线，最高提升 18.1%。

安装：执行 pip install pixelrag 即可获得核心工具（需 Python 3.10+）。
渲染页面：运行 pixelshot https://example.com -o ./tiles 将网页或 PDF 渲染为截图瓦片。
体验托管搜索：无需任何配置，直接 POST 请求 https://api.pixelrag.ai/search 即可搜索 828 万维基页索引，或在浏览器打开 pixelrag.ai 在线试用。
自建索引：编写 pixelrag.yaml 配置（指定文档路径、嵌入模型、输出目录），执行 pixelrag index build 构建后，用 pixelrag serve --index-dir ./my_index --port 30001 启动搜索服务（Mac Apple Silicon 即可跑小规模，全量维基索引约 217GB 需 GPU 算力）。
对接 Claude Code：执行 uv tool install pixelrag 后安装 pixelbrowse 插件（claude plugin marketplace add StarTrail-org/PixelRAG 并 claude plugin install pixelbrowse@pixelrag-plugins），即可让 Claude 截图”看”网页，无需 MCP。
进阶训练：如需自研嵌入模型，进入 train/ 目录（独立 uv 项目）按 README 微调，或直接复用官方开源的 LoRA 权重与训练数据。

信息无损：以截图代替文本抽取，表格行列、图表、版式完整保留，彻底解决传统 RAG看起来有答案、抽完字就没了的痛点。
性能更强：论文显示其全面超越文本 RAG 基线，在 NQ、SimpleQA 等纯文本任务上同样更优，多模态与 Agentic 基准最高提升 18.1%。
成本更低：像素表示带来独有的效率杠杆，降低截图分辨率可使 token 成本最多降 3 倍且精度不降。
管线更简单：省去复杂的 HTML 解析、清洗、切分流程，渲染截图即可入库，工程量大幅缩减。
规模已验证：是首个用截图形式覆盖全量维基百科的 RAG 管线，附带 828 万页的免密钥托管索引可即刻体验。

项目官网：https://pixelrag.ai/
GitHub仓库：https://github.com/StarTrail-org/PixelRAG
arXiv技术论文：https://arxiv.org/pdf/2606.28344

财报与数据表问答：直接读取财报页、统计表中的数字，避免文本解析导致的行列错位。
仪表盘与图表检索：检索命中包含图表、KPI 面板的截图区域，让模型读图作答。
信息图与带图解文档：信息图、流程图等传统文本索引无法覆盖的内容可被搜索。
多栏排版产品页：复杂版式的商品对比页、新闻页保持原始布局参与检索。
Agent 网页阅读：通过 Claude Code 的 pixelbrowse 插件，让 Agent 截图”看”网页而非吞残缺 HTML。