项目核验档案

StarTrail-org/PixelRAG

PixelRAG 是一种基于视觉的检索方案，通过将文档渲染为截图并以图像切片的方式进行检索，解决了传统文本解析丢失表格、图表和排版等视觉结构信息的问题。用户可以通过托管 API 立即体验预构建的 828 万维基百科页面索引，或通过 pip 安装后在本地处理自定义文档。

项目概览

提供预构建的 828 万维基百科页面视觉索引，无需任何设置或 API 密钥即可通过托管 API 测试基于图像切片的检索效果。

项目类型: RAG 与知识库 · AI 搜索 · 文档处理
应用场景: 知识问答 · 搜索调研
部署方式: 查看项目说明
License: Apache-2.0

适合谁

需要查询包含丰富图表、复杂表格等视觉结构文档的研究人员和开发者
希望立即测试视觉 RAG 效果而无需进行复杂本地配置的原型构建者
需要针对特定领域文档截图微调多模态检索模型的高级 AI 用户

核心能力

做什么：将多种格式的文档转化为可视化的图像切片。如何工作：利用 Playwright/CDP 等无头浏览器技术渲染网页、PDF 和图像文件，并将其捕捉为截图。用户价值：保留了表格、图表和页面布局等关键视觉结构信息，弥补了纯文本解析的缺陷。状态：已可用（available）。
做什么：提供基于视觉特征的向量检索能力。如何工作：基于 FastAPI 构建搜索 API（通过 pixelrag serve 启动），利用嵌入模型对查询进行向量化，并通过 FAISS 索引检索匹配的文档图像切片。用户价值：允许用户通过文本查询直接搜索和定位包含相关视觉信息的文档原貌，并通过标准的 API 响应格式获取结果。状态：已可用（available）。
做什么：提供免本地配置的海量知识库视觉检索。如何工作：提供了一个实时托管的 API 端点，内置包含 828 万个维基百科页面的预构建视觉索引。用户价值：用户无需进行本地设置或申请 API 密钥，即可直接调用接口测试视觉检索功能。状态：已可用（available）。
做什么：针对特定领域的文档视觉特征优化检索模型。如何工作：包含一个独立的 uv 项目，利用 LoRA 技术在网页截图数据集上对视觉嵌入模型进行微调。用户价值：使高级用户和研究人员能够针对特定布局或私有文档类型定制模型，以适应不同领域的检索需求。状态：已可用（available）。

限制与风险

如果需要对 PDF 文件进行渲染和切片，系统要求通过额外的安装选项（pixelrag[pdf]）来安装 poppler 依赖，而非开箱即用。
如果用户选择在本地托管官方预构建的维基百科视觉索引，需要面对约 217GB 的海量数据下载，这对网络和存储都有较高要求。

如何开始

难度：简单。PixelRAG 可通过 pip 直接安装，无需克隆源代码。如果只是想快速体验，官方还提供了托管端点供即时试用。
操作流程：首先使用 pip 安装 pixelrag 包，安装完成后，即可使用内置的 pixelshot CLI 工具渲染并分析你的第一个页面。

替代方案与同类比较

如果你的核心需求是基于推理的长文档检索，且希望避免使用向量数据库和文档分块，PageIndex 提供了一种不依赖视觉切片的替代检索方案。
如果你需要一个功能丰富、可自托管的完整 AI 应用层（包含 RAG、深度研究、网络搜索和自定义 Agent），而不局限于视觉特征检索，Onyx 是值得考虑的综合选择。
如果你的主要目标是将 PDF 和图片中的复杂表格和排版转换为结构化的 Markdown/JSON 数据供大语言模型使用，而非基于视觉外观的图像切片检索，PaddleOCR 提供了基于轻量级模型的结构感知转换能力。

核验依据

README: pixelshot https://en.wikipedia.org/wiki/Python --output ./tiles
README: Visual structure that HTML parsing throws away — tables, charts, layout, infographics — stays intact, so the reader model can actually answer questions about it.
README: PixelRAG renders the page to **screenshot tiles**, retrieves the right tile, and the reader reads the number straight off the image.
README: Official codebase for <b><a href="https://arxiv.org/abs/2606.28344">PIXELRAG: Web Screenshots Beat Text for Retrieval-Augmented Generation</a></b>
Release: v0.3.0

来源更新时间：2026-07-14T18:06:09Z

打开原始 GitHub 项目