Deepseek V4 Flash Vision RAG — AI skill for Claude Code

DeepSeek V4-Flash Vision RAG

让 AI **真正"看懂"** 一份 PDF，然后你对它提问：它告诉你答案、答案在第几页， 并把那一页的原图展示出来给你核对。

基于 DeepSeek 视觉大模型 `deepseek-v4-flash-vision-exp` 的 PDF 深度问答与检索 （vision RAG）agent skill。支持文字版 PDF，也支持**扫描版**；能看懂 **图表、表格、代码块、公式**，而不只是认字。

---

一、它能做什么

你说	它做
"帮我读一下这份 120 页的手册"	逐页视觉阅读，建立可检索的索引（约 2 分钟，只需一次）
"审批策略出厂默认是什么？"	给出答案，标注 [第6页]，并把第 6 页原图给你看
"§05 在第几页？讲了什么？"	定位章节起止页码 + 内容总结
"这个概念在哪几页被提到？"	找齐全书所有相关页（跨页召回）
"给我看看第 72 页"	高清渲染该页图片
"对比一下 XX 和 YY"	基于相关页内容做深度对比分析

每次回答都会生成一个**自包含 HTML 预览页**（答案 + 全部引用页原图内嵌其中）， 双击浏览器打开即可查看，无需联网。

二、实测效果（120 页中文书，test.pdf）

环节	结果
建索引（一次性）	135 秒：上传 120 页图 18s + 仅 5 次模型调用完成全书阅读
提问响应	每次仅 2 次 API 调用，秒级~十几秒出答案
定位准确性	章节定位与人工核对的大纲完全吻合（§05→p33 起，§06→p42 起）
跨页召回	"审批策略"找齐分散在 p5/6/14/15/16 的全部 5 处提及
重复提问	索引缓存命中，零重建成本

三、工作原理（通俗版）

整个系统就做两件事，像人读一本书：

第一阶段：读一遍书，做笔记（ingest，一次性）

PDF ──渲染──> 每页一张图片 ──上传──> DeepSeek 文件服务器
                │                        │
                └──抽取文字层──┐         ↓
                               │   视觉模型逐页"阅读"
                               │   （25 页打包进 1 个请求，
                               │    吃满 100 万 token 上下文）
                               ↓         ↓
                          index.json（每页一张"读书卡片"）

模型每读一页，就写一张卡片——**这就是 `index.json`**。第 22 页的真实卡片长这样：

{"page": 22,
 "type": "正文",
 "headings": [{"level": 1, "text": "§03 四种模式，人话版"}],
 "summary": "介绍四种模式：标准、PTC、极简、创造，并指出它们不在同一维度上，标准模式是默认。",
 "keywords": ["四种模式", "标准", "PTC", "极简", "创造"]}

120 张卡片 + 每页文字层 + 由标题派生的全书大纲，一起存进缓存。 **从此这本书就被"读过了"，这个步骤永远不用再做。**

第二阶段：按笔记翻书，回答问题（ask，每次提问）

你的问题
   ↓ ① 查卡片     本地在 index.json 里筛出最可能的 12 页（毫秒级，零费用）
   ↓ ② 看图确认   模型看这 12 页截图，挑出真正相关的 4 页（第 1 次 API 调用）
   ↓ ③ 深读作答   这 4 页 ± 前后邻页原图摊开，开推理模式仔细读（第 2 次 API 调用）
   ↓
答案（每个论点标 [第N页]）+ 引用页图片 + 自包含 HTML 预览

**为什么是三层漏斗？**——便宜的方法粗定位、贵的眼睛做确认、最贵的推理只用在 刀刃上。120 页 → 12 页（免费）→ 4 页（关推理，快）→ 深读（开推理，质量）。

① "查卡片"具体怎么查（本地检索，零 API 成本）

用经典的 TF-I