PixelRAG
伯克利开源的视觉原生RAG框架
把网页和PDF渲染成截图来检索，表格图表版式不再丢失，自带828万维基百科页免密钥托管索引
核心功能
截图渲染
用无头浏览器把网页和PDF渲染成截图瓦片，表格、图表和版式完整保留
视觉语义检索
把截图编码成向量，支持文本搜图和以图搜图，本地用FAISS，大规模可切Qdrant
托管搜索服务
免密钥API加网页Demo，内置828万维基百科页预建索引，打开就能搜
自建索引管线
通过pixelrag index、embed、build-index等命令对自己的PDF和站点建库
Agent集成
Claude Code插件pixelbrowse，让Claude截图“看”网页而不是啃残缺HTML
产品特色
- 01
用截图代替文本解析的思路
传统RAG要把网页抽成纯文本，表格行列一碾平信息就散了。PixelRAG干脆不解析，直接把页面渲染成图，检索和阅读都在像素空间里完成，版式结构原样保留
- 02
在纯文本任务上反超了文本RAG
论文里最让人意外的结果是，即便在NQ、SimpleQA这些纯文本问答上，PixelRAG也比文本RAG基线高出最多18.1%。用截图居然比用文字还准，这个发现本身挺有意思的
- 03
像素表示带来的成本杠杆
降低截图分辨率可以让token成本最多降3倍，精度还不掉。这种效率优化方式是文本RAG没有的，对跑大规模索引的场景来说比较实在
- 04
全量维基百科规模的验证
它是第一个用截图形式跑完整个维基百科的RAG管线，3000万张截图规模。不是小打小闹的demo，架构本身经过了大规模检验
- 05
零配置就能体验托管搜索
不用装任何东西，直接POST请求api.pixelrag.ai就能搜828万维基页索引，连API key都不需要。想先看看效果再决定要不要自己建库的话，这个入口很方便
应用场景
✅ 财报与数据表问答
直接读财报页和统计表里的数字，避免文本解析导致的行列错位
✅ 仪表盘与图表检索
检索命中包含图表和KPI面板的截图区域，让模型读图作答
✅ 信息图与带图解文档
流程图、信息图这类传统文本索引覆盖不了的内容也能被搜到
✅ 多栏排版产品页
复杂版式的商品对比页和新闻页，原始布局保留着参与检索
✅ Agent网页阅读
通过Claude Code插件让Agent截图“看”网页，而不是吞残缺HTML
常见问题
解答您关于"PixelRAG"的常见疑问，让您更好地使用这款AI工具
-
普通RAG的流程是先把网页或PDF解析成文字，再切块做向量检索。PixelRAG跳过了解析这一步，直接把页面渲染成截图，对图片做向量检索。好处是表格的行列关系、图表的视觉结构和页面排版都不会丢，后面让模型读图的时候信息是完整的。
-
不用。官方托管了一份828万维基百科页面的预建索引，挂在api.pixelrag.ai上，发个POST请求就能搜，不需要API key。想先感受一下效果的话，在浏览器打开pixelrag.ai也能试。不过如果要搜自己的文档，就需要本地安装Python环境来跑渲染和索引管线了。
-
Python 3.10以上，系统里有Chrome或Chromium就行。Mac的Apple Silicon芯片可以跑小规模索引，但全量维基百科那种217GB的索引需要GPU算力。如果是想处理自己手头几十上百份PDF，Mac上跑问题不大。
-
论文作者自己说了不是替代。PixelRAG在涉及视觉结构和版式的查询上优势明显，但纯文本内容的检索，传统方案也有自己的位置。如果你的文档里表格、图表占比很高，那它确实能解决不少老问题；如果都是纯文字，可能没必要换。
-
因为检索返回的是截图而不是文字，负责生成答案的模型得有多模态能力，纯文本模型没法直接用。论文里用的是Qwen3.5-4B，官方也有微调好的Qwen3-VL-Embedding权重可以直接复用。如果接自己的VLM，需要注意模型得能读图上的文字和数字。
立即体验“PixelRAG”
PixelRAG 是伯克利开源的一款视觉原生 RAG 框架，它不把网页解析成文字，而是渲染成截图来做检索，表格、图表和版式都能完整保留。自带 828 万维基百科页面的免密钥托管索引，也支持用 Claude Code 插件让 AI 直接“看”网页。Apache 2.0 开源，适合需要处理财报、图表类文档的开发者。
