用途：构建可处理图像、文本与混合内容的检索增强生成（RAG）系统，覆盖图文检索、跨模态搜索、多模态文档处理、视觉问答、图像相似度与去重、混合检索流水线。
主要能力：提供三类架构思路——联合嵌入（CLIP，直接比较但上下文有限）、基于描述（兼容文本 LLM 但有损）、混合方案（精度最佳但更复杂）。嵌入模型包括 Voyage multimodal-3（32K token，适合长文档）、SigLIP 2（适合大规模检索）、CLIP ViT-L/14（通用）、ImageBind（6 种模态）、ColPali（PDF/文档 RAG）。
使用方式：用 transformers 加载 CLIP 生成图像与文本嵌入并归一化，通过余弦相似度做文本到图像的跨模态搜索；用 voyageai 客户端调用 voyage-multimodal-3 嵌入文本与图片；构建 MultimodalRAG 类，索引时同时存文本、图像与图像描述嵌入，检索时按 doc_id 去重并保留最高分；用 PyMuPDF 与 pdf2image 对 PDF 分块，保留图像、表格与图表；用 Milvus 建集合，字段含 id、embedding、doc_id、chunk_type、content、image_url、page，索引用 COSINE + HNSW；生成阶段把检索到的图像以 base64 放在前部，再拼接文本上下文。
限制：Claude Code 读取 PDF 单次最多 20 页、文件最大 20MB，大文档需分批处理；CLIP 文本上下文仅 77 token；常见错误包括只嵌入图像不加描述、未按文档 ID 去重、未存图像 URL、只用单一模态嵌入、忽略分块边界、未验证图像检索质量。具体收费与价格暂未提供。