5.2k星星爆火开源！你的知识库迎来了史诗级更新，「像素级原生搜索」来了

为什么你需要像素级搜索？传统RAG的痛点

做知识库都要用到RAG，之前的做法是先把网页、PDF、文档解析成文本，再切块、向量化、检索、交给大模型回答。这个流程对纯文本内容很有效，但一旦遇到表格、图表、版式、信息图、复杂网页布局，

人类理解网页时是看页面，为什么AI检索一定要先把页面拆成文本？PixelRAG把网页和文档渲染成截图，再基于图像内容进行检索，

PixelRAG 核心原理：以截图替代文本解析

PixelRAG是一个像素原生的开源视觉RAG项目，把网页、PDF、图片等文档渲染成截图切片，并直接对这些图像建立向量索引和检索，从而让大模型能够利用表格、图表、布局、信息图等传统文本解析容易丢失的信息来回答问题。

不仅按文本内容搜索文档，还能按文档

来搜索。

功能特点

1. 以截图替代文本解析

PixelRAG的核心不是先把网页HTML或PDF解析成纯文本，而是把页面渲染成截图切片。这样可以最大程度保留页面原始的视觉信息，比如表格结构、图表位置、页面布局、字号层级和信息密度。

2. 更适合处理复杂视觉文档

传统RAG在处理复杂表格、图表、论文截图、仪表盘、网页报告时，经常会因为解析失败或结构丢失而答错。PixelRAG通过视觉检索，让模型看到更接近人眼观察到的页面内容，特别适合处理视觉结构强的知识材料。

3. 支持网页、PDF和图片等多种输入

项目提供pixelshot命令，可以把网页、PDF、本地文件渲染成截图tiles。用户可以对单个网页截图，也可以把本地文档批量转成可检索的视觉数据。

4. 内置完整检索流水线

PixelRAG不只是截图工具，还提供从文档渲染、切块、嵌入、构建FAISS索引到启动搜索API的完整流程。

5. 使用视觉嵌入模型进行检索

使用经过网页截图数据LoRA微调的Qwen3-VL-Embedding模型，把页面截图嵌入到可检索的向量空间中。相比普通文本向量，这种方式更适合检索页面里的视觉内容。

6. 可作为 Claude Code 插件使用

PixelRAG提供pixelbrowse插件，让Claude Code可以通过截图方式查看网页，不是只读取网页HTML。这样AI就可以更好地理解网页里的图表、表格和页面排版。

DEMO 演示：2800万张维基百科的视觉检索

为了展示像素原生检索的威力，官方做了个很牛的演示，来证明这套方案行得通。

直接截了2800多万张维基百科的图片。

比如搜元素周期表，只要

就完成了。

说这个方案更好，但不一定是更便宜，因为这2800w张图片的向量化不是我去做的，我也不知道成本如何。

传统RAG的那种信息、样式丢失的感觉真的很不好。现在直接就可以搜出来有样式的内容，就非常好。

如果要对数据进行处理，就用视觉模型来做下一步了。

小提示

• 适用场景
  ：如果你的知识库中包含大量表格、图表、信息图、复杂网页截图（如产品说明、研究报告、学术论文），PixelRAG比传统RAG效果显著提升。

• 部署注意
  ：截图切片需要一定的渲染能力（如使用Playwright或Puppeteer），建议在服务器上配置好浏览器环境。

• 成本权衡
  ：视觉嵌入模型（Qwen3-VL-Embedding）的向量化计算成本高于文本嵌入，但检索精度更高。对于小规模文档（几千页以内），成本可控。

• 与Claude Code集成
  ：安装pixelbrowse插件后，Claude Code即可“看到”网页截图，适合需要AI理解网页设计、数据可视化的场景。

常见问题

Q1：PixelRAG 是否支持所有类型的PDF或网页？

支持常见的网页（HTML）和PDF文件。对于PDF，项目使用渲染引擎（如Chromium）将其逐页转为截图，因此任何能被浏览器渲染的PDF都能处理。但扫描件（纯图片PDF）需要额外的OCR预处理，当前版本不包含此功能，建议先对扫描件进行文字识别。

Q2：PixelRAG 的检索准确率比传统RAG高多少？

官方没有发布精确的对比数据，但从演示（2800万张维基百科图片的2秒检索）来看，对于包含表格、图表、布局的页面，PixelRAG能直接匹配视觉特征（如颜色、位置、形状），而传统RAG可能会丢失这些结构信息。实际使用中，如果你需要检索的内容依赖视觉布局（例如：图表中的趋势、表格中的行列关系），PixelRAG的优势非常明显。

项目链接

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