视觉理解和视觉回答 - 乐高积木AI拼搭

基于多模态 Embedding + Zilliz + Qwen 视觉理解的多模态 RAG 系统。支持 **Cohere / DashScope Embedding** 和 **DashScope / OpenRouter LLM** 双引擎切换。上传 PDF，用自然语言提问，系统自动检索最相关的页面并由 AI 生成回答。与传统 RAG 不同，本系统**不做文本提取和 OCR**，而是直接将 PDF 页面当作图片处理，通过视觉 Embedding 模型编码，完整保留表格、图表、排版、手写批注等所有视觉信息。

以下为测试和演示效果：

怎样搭建窗户

怎样搭建各种墙壁

怎样搭建一个桥

帮忙搭建一个法拉利跑车

怎样搭建一个屋顶

各种屋顶

怎样搭建一个飞机

查找红色 的跑车

搭建直升飞机

搭建 微型城市小车

搭建模块化街景

搭建街景路灯

搭建英国风格建筑

搭建古典主义建筑

搭建中国风格建筑

搭建动物

各种snot技巧：

开源地址： https://github.com/liangdabiao/Multimodal-RAG