| name | glm-5.3-flash-vision-rag |
| description | 基于智谱GLM-5.3-Flash视觉大模型的PDF深度问答与检索（vision RAG）。当用户提到 PDF、文档、资料、报告、论文、电子书、手册、说明书，并想提问、查找、搜索、总结或理解其内容，或问"在哪一页"、"引用原文"、要页面截图时，使用本skill。支持扫描版、图表、表格、代码的视觉理解；回答带物理页码引用，并把命中页原图展示给用户。（GLM 版本；DeepSeek 版为 deepseek-v4-flash-vision-rag） |
GLM-5.3-Flash Vision RAG
用智谱 GLM-5.3-Flash 视觉大模型"看懂"整份 PDF：先为每页建立视觉索引
（一次性、缓存复用），再对用户问题做 本地粗筛 → 视觉精排 → 深读回答，
回答带 [第N页] 引用，并把命中页图片展示给用户。
与 DeepSeek 姊妹版同构：页码来自渲染天然精确；三层漏斗（免费粗筛→看图确认→深读作答）。
差异详见 references/api-notes.md（无 Files API 内联传图、reasoning_effort=low
等效关思考、图片按分辨率计费故 dpi 默认 110）。
环境
- Python：
openai、pymupdf(fitz)；ffmpeg 不需要
- API key：环境变量
GLM_API_KEY 或 ~/.glm_api_key 文件首行（代码不内置密钥）
工作流
第 1 步：建索引（每份 PDF 一次）
python scripts/ingest.py "<pdf路径>"
120 页约 3 分钟、6 次模型调用；重复运行命中缓存。参数：--force 重建｜
--limit N 只索引前 N 页试水｜--clean 清缓存。
第 2 步：提问
python scripts/ask.py "<pdf路径>" "问题"
输出四段：=== 答案 ===（带 [第N页] 引用）、=== 引用页 ===、
=== 页面图片 ===（PNG 在 ./pdf-vision-out/）、=== 预览 ===（自包含 HTML）。
第 3 步：展示
优先把 HTML 预览或 PNG 路径给用户双击打开；支持 inline 的环境可再 Read 图片作补充，
但不得只依赖 inline。
用户要看指定页：
python scripts/show.py "<pdf路径>" --pages 6,7 [--dpi 220]
回答规范
- 以脚本答案为事实基础组织回答，保留
[第N页] 标记；索引只覆盖部分页时如实说明
- 展示必须提供本地路径，不能只靠 inline 图片
注意事项
- 首次 ingest 分钟级正常；之后每次提问 2 次调用
- 调参/排错先读
references/api-notes.md（实测行为记录）
