PixelRAG：基于可视化页面检索的多模态RAG方法（Berkeley 研究组，含 Wikipedia 索引与 Claude Code 插件）

PixelRAG 通过将网页/PDF 渲染为视觉页面并基于截图进行检索，保留表格、图表等上下文，适用于多模态RAG与文档问答研究。

PixelRAG 综述

PixelRAG 这套思路，是否正好绕开 RAG 的老尴尬——网页里明明躺着信息，解析完只剩一堆纯文字？

• 问题出在：表格、图表、排版和信息图一旦被传统解析器拆散，原本的上下文关系也容易丢失。
• 解决思路：不急着把页面变成纯文本，而是先把网页、PDF 等内容渲染成视觉页面，再基于这些页面截图做检索。

这样一来，AI 检索到的不只是“文字内容”，表格长什么样、图表怎么组织、信息在哪儿，统统留得住。

项目与应用

• 项目来自 Berkeley 团队，目前还提供大规模 Wikipedia 索引，文字和图片查询都支持。
• 还有 Claude Code 插件，让 Agent 直接利用页面视觉信息。

适用场景

• 多模态 RAG、文档问答、网页理解等场景的研究与应用，值得关注与尝试。

🔗 相关代码与资源：

• https://github.com/StarTrail-org/PixelRAG

注：本文聚焦于技术思路与应用场景，并提供原始链接以便进一步了解。