现在的 agent 解析文件，大都是先把文档解析成文字，再让 Agent 阅读解析结果。就像 PAGE-INDEX 、MinerU 等方案一样，走的都是这条路。 但在实际处理各类手册、方案、研报、图纸和复杂表格时，我发现了一个 bug：它的解析不是 100%准确的，尤其是面对复杂的扫描件、又宽又密的表格、千奇百怪的排版、还有各种零碎的印章、批注、图片和跨页内容等，再好的解析方法也一定会出错。而一旦出错，这些错误会持续停留在数据库（知识库）中被 Agent 反复消费。就算再怎么训练解析模型，对于真实的复杂场景来说，边际收益已经趋近于 0 。 这么说吧，现在主要的提取器都在想尽办法给文件画素描，那么就多少一定会失真。 所以，我搞了一条纯视觉页面理解驱动的路线：不再解析提取文本内容，而是理解-组织-标注页面，让 Agent 直接看到无损的原页面。相比素描，它是给文件拍照和写标注，是高度保真的。 具体操作就是：不再默认用重度提取把一页内容改写成文字替身，而是把原始页面作为最完整、最接近源文件的信息基准保留下来，再按照文档原生的章节、主题和内容关系，将页面组织成可以跨文档导航的层级图谱与...