用途：构建图像到图像的相似图片检索系统，用深度学习嵌入找到视觉相似的图片。触发场景包括以图搜图、视觉相似、查找相似图片、反向图片搜索、商品视觉搜索、人脸匹配、重复或近似重复检测。若需用文字搜图应改用 text-to-image-search，混合图文文档用 multimodal-rag，视频内容检索用 video-search。
主要能力：以 CLIP 等模型把图片编码为向量（如 clip-ViT-B-32 为 512 维），存入 Milvus 集合并用 AUTOINDEX 与 COSINE 度量做近邻检索；CLIP 同时具备图像与文本编码器，因此同一模型可支持图像到图像和文本到图像两种检索。可选模型包括 clip-ViT-B-32、clip-ViT-L-14、clip-ViT-B-16、chinese-clip、SigLIP，按速度、质量与语言需求选择。
使用方式：安装 pymilvus、sentence-transformers、Pillow 等依赖；创建集合 schema（id、image_path、embedding），建立向量索引；用模型编码图片后插入；查询时编码查询图片或文本，调用 search 并指定 limit 与 output_fields 返回路径与相似度分数。中文文本查询可用 ChineseCLIPModel 与 ChineseCLIPProcessor。
限制与注意：编码前需将图片转为 RGB，避免 PNG 透明通道报错；大图先缩放以节省内存；CLIP 文本与图像对齐并非完美，文本检索效果可能弱于图像检索；光照、角度、背景差异会影响匹配，可考虑数据增强或过滤检索。资料未提供收费、价格与平台信息。