本系统实现了一个完整的多模态RAG解决方案，能够处理PDF文件中的文本和图片信息，通过向量检索增强大语言模型的回答能力。系统采用模块化设计，各组件职责清晰，便于维护和扩展。多模态支持：不仅处理文本，还能提取和引用图片高效检索：使用FAISS实现快速相似性搜索流式响应：提供实时的回答生成体验会话管理：支持多轮对话，保持上下文可扩展性：各模块松耦合，便于替换或升级。

在大模型技术飞速发展的当下，多模态检索增强生成（RAG）系统成为连接海量非结构化数据与大模型能力的关键桥梁。而PDF作为科研文献、企业报告等专业内容的主要载体，其“版面/坐标导向”的存储特性与RAG“语义/结构导向”的检索需求存在天然矛盾。本文将聚焦多模态RAG系统的核心入口环节——PDF转Markdown（MD），深入解析两款主流工具olmOCR与MinerU的技术特性、部署流程及实战应用，助力

多模态RAG不仅是大模型技术的“补短板”方案，更是未来Agent系统的核心能力——它让机器从“仅能理解文本”升级为“能看懂表格、图片、公式”，真正实现“多模态知识的自主检索与推理”。入门阶段：用MarkItDown+PaddleOCR+Chroma，搭建轻量多模态RAG，处理简单PDF（如产品说明书）。进阶阶段：集成InternVL 3.5+MinerU，实现学术论文的“公式+图表+文本”统一检索

文淇AI聊天助手是一款轻量级网页应用，支持本地部署，采用阿里云千问大模型API。项目采用分层架构，前端使用HTML/CSS/JS实现响应式UI，后端基于Python 3.9和FastAPI，数据库使用SQLite。核心功能包括：匿名/账号双模式登录、流式对话输出、会话持久化存储等。系统实现了用户管理（注册/登录/验证）、消息流式传输、历史记录存储等功能，通过.env文件管理敏感配置。数据库设计包含

核心目标：隐藏默认的“README按钮”“Chat按钮”等冗余元素，优化界面简洁度。操作步骤在public文件夹创建ui.css文件；写入CSS样式（通过浏览器开发者工具获取元素类名）：/* 隐藏README按钮 */important;/* 隐藏Chat按钮 */important;/* 隐藏默认Logo（替换为自定义Logo时使用） */important;/* 隐藏页脚 */importan

首先在讲RAG之前我们要先理解什么是大模型（llm）人话：大模型就是一个被训练得特别“大”的人工智能程序，它懂语言、懂知识、懂逻辑，能帮你写文章、聊天、做题、画图、写代码。官方语言：然后我们来讲讲大模型和用户的简单交互示意。

首先在讲RAG之前我们要先理解什么是大模型（llm）人话：大模型就是一个被训练得特别“大”的人工智能程序，它懂语言、懂知识、懂逻辑，能帮你写文章、聊天、做题、画图、写代码。官方语言：然后我们来讲讲大模型和用户的简单交互示意。

首先在讲RAG之前我们要先理解什么是大模型（llm）人话：大模型就是一个被训练得特别“大”的人工智能程序，它懂语言、懂知识、懂逻辑，能帮你写文章、聊天、做题、画图、写代码。官方语言：然后我们来讲讲大模型和用户的简单交互示意。