在 agent 开发和实际落地的时候，经常会遇到一类问题：像金融、工程等行业，他们有很多资料是以图像的形式呈现的，比如设计规范、图纸、施工图集和报表，如果纯纯把它当成纯文字解析，那效果是不好的，有很多信息和关联都会丢失，影响后面模型的回复质量。但是要把它们丢掉，那更不现实，因为这些资料十分重要，很多是要当做原始证据保存的。 所以，我就在我们的解析工具 Knowhere 里加了一条纯视觉理解路线——VISION-MAP ，专门用来处理这方面的问题。 VISION-MAP 是这样工作的： 第一步，保留源文件和页面标注。 文档进入 Knowhere 后，原始文件不会因为解析而被一份 Markdown 取代。每一页还会按原始样子存储，但其核心内容和图表资产已被理解和标准，页面里的文字、表格线、图片、印章和相对位置都在，为后面的回溯和审计留下了完整入口。注意，我们保留的是页面注释，不是把文件页面作为图片再存一次。 第二步，建立地图。 只有一堆页面还不够。一本几百页的文件，如果没有结构，Agent 还是只能从头翻到尾。 VISION-MAP 会按照文档的章节关系组织页面，形成“章—节...