امروز یه چیز باحال دیدم PixelRAG یه ایده جالب برای RAG داره که به جای خوندن HTML و تبدیل صفحات وب به متن، کل صفحه رو اسکرین‌شات می‌گیره و همون چیزی رو ایندکس می‌کنه که کاربر واقعاً می‌بینه. این موضوع مهمه چون بخش زیادی از اطلاعات موقع تبدیل HTML به متن از بین می‌ره؛ از جدول‌ها و نمودارها گرفته تا ساختار و چیدمان صفحه. تیم PixelRAG حتی کل ویکی‌پدیا رو به بیش از ۳۰ میلیون تصویر تبدیل کرده و طبق نتایجشون، عملکردش از قوی‌ترین روش‌های متن‌محور RAG هم بهتر بوده. نکته جالب‌تر اینکه یک پلاگین برای Claude Code هم ارائه کرده که به Claude اجازه می‌ده صفحات وب رو مثل یک انسان ببیند و تحلیل کند، نه اینکه فقط DOM را بخواند. در واقع PixelRAG روی این ایده شرط بسته که برای فهم بهتر وب، گاهی «دیدن» از «خواندن» مهم‌تر است.

https://github.com/StarTrail-org/PixelRAG

@codehalic | کدهالیک