用3000万张截图做RAG，PixelRAG比文本检索高18%，评论区先吵起来了

PixelRAG 的做法一句话：不把网页解析成文本，直接截图，让视觉语言模型从像素里找答案。项目开源，Apache-2.0，仓库在 StarTrail-org/PixelRAG。

传统 RAG 通常先把文档转成文本、切片、嵌入，再检索。问题在于，网页一旦被压成纯文本，很多信息会掉：PDF 里的表格、多栏布局、按钮、图表、列关系。PixelRAG 换了个入口，索引页面“看起来的样子”。

团队称建了一个覆盖维基百科的视觉索引，超过 3000 万张截图。宣传视频里写的是 30M pages。更关键的数据是，在这个索引上做 QA，团队称它比最好的文本 RAG 高 18.1%。

它的流程不复杂：构建 FAISS 索引，在像素上做视觉搜索，用 Qwen3-VL-Embedding 嵌入，把网页、PDF、图片渲染成 tiles。它还有 Claude Code 插件。传一个 URL、一篇 arXiv 论文或本地网页，Claude 不抓 DOM，直接看渲染后的页面。

评论区没有停在“酷”。有网友先算账：索引截图再跑视觉模型，成本 and 速度都比纯文本重。简单网页用传统抓取更便宜，PDF 表格这类场景才有意义。也有人问 Cloudflare 怎么绕，有人反问图片怎么读网页代码，还有网友认为 HTML 里才是内容，视觉方案是过度工程。另一类声音是，Playwright、Chrome 工具和 MCP 已经能做类似的事。

这些质疑不空。PixelRAG 的 18.1% 是在特定基准上的结果，不能直接推成所有任务都赢。它的价值落在那些文本管线丢上下文严重的场景：表格 PDF、复杂布局、视觉元素、需要按“人看到什么”来问答的页面。只抓简单文章时，文本抓取仍然划算。开源的好处是，成本和效果可以自己复现，不用只听宣传。