glm-5-3-flash-vision-rag

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）