diff --git a/CLAUDE.md b/CLAUDE.md
index 5c50b34..22d41e9 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -8,6 +8,8 @@
 
 服务进程管理（llama-server / embed-server 的启动停止）**完全委托给 er_backend**（HTTP 17700），前端不直接 spawn 任何推理进程。设置页面不再提供计算卡型号、嵌入模型、生成模型路径等配置入口，这些均由 er_backend Web 管理界面（端口 17700）配置。
 
+输入方式有三种：打字、语音输入（ASR）、**拍照提问**（用摄像头拍一张照片，先由多模态模型转成一句话描述，再接入同一套知识库检索流程，见"拍照提问"章节）。
+
 本仓库从 monorepo（electronrag）通过 `scripts/sync-elec-rag-ui.sh` 单向同步而来，历史不保留。
 
 ## 技术栈
@@ -31,6 +33,7 @@ src/
 │       ├── index.ts          # 注册所有 IPC 处理器
 │       ├── indexHandler.ts   # 文件选择、文档入库（分块→向量化→写入LanceDB）
 │       ├── queryHandler.ts   # 查询（向量化→检索→流式生成），query:done 含 GeneratorStats
+│       ├── visionHandler.ts  # 拍照提问（图像理解→拼检索查询→复用检索+生成）
 │       ├── statusHandler.ts  # 数据库状态、配置读写、测试连接（无 Ollama 分支）
 │       ├── erBackendHandler.ts # er_backend HTTP 17700 代理 IPC（启动/停止/状态）
 │       ├── hardwareHandler.ts  # 硬件探测：hardware:get-detected / hardware:detected
@@ -39,7 +42,7 @@ src/
 │       ├── splitter.ts       # 递归收集 .md/.txt，自实现递归字符分块
 │       ├── embedder.ts       # 向量化路由：local / llamacpp（无 Ollama 分支）
 │       ├── localEmbedder.ts  # 本地 CPU 向量化（Transformers.js 单例，懒加载）
-│       ├── generator.ts      # 流式生成：仅 llamacpp（接受 llamacppServer 配置）
+│       ├── generator.ts      # 流式生成 + describeImage 图像理解，统一走 er_backend 代理
 │       ├── hardwareDetector.ts # 探测 hm_smi / rpp-info 判断 er160/er25/none
 │       └── ollamaModels.ts   # （保留文件，此项目不使用 Ollama）
 ├── preload/index.ts          # contextBridge 暴露 electronAPI（无 llamaServer IPC）
@@ -48,11 +51,13 @@ src/
     ├── App.vue               # 根布局：顶栏、主区；服务状态由 SSE 维护
     ├── components/
     │   ├── IndexPanel.vue    # 文档入库面板
-    │   ├── ChatPanel.vue     # 问答气泡、Think 块、引用徽章、批量发送
+    │   ├── ChatPanel.vue     # 问答气泡、Think 块、引用徽章、批量发送、拍照入口
+    │   ├── CameraCapture.vue # 拍照弹层：取景/拍照/重拍/切换摄像头（纯交互，不含业务逻辑）
     │   ├── ContextDrawer.vue # 检索片段抽屉
-    │   ├── SettingsModal.vue # 设置抽屉（仅 RAG 参数 + 语音 + 批量测试）
+    │   ├── SettingsModal.vue # 设置抽屉（RAG 参数 + 语音 + 拍照开关 + 批量测试）
     │   └── ServiceControl.vue # 顶栏"启用/停止"按钮（走 er_backend HTTP）
-    ├── stores/rag.ts         # Pinia store
+    ├── utils/tts.ts          # TTS 播放器：流式分句播报、自适应语速、原生/Web 双后端
+    ├── stores/rag.ts         # Pinia store（含 visionAvailable：后端是否支持图像输入）
     └── types/index.ts        # TS 接口 + Window.electronAPI 类型声明
 ```
 
@@ -85,11 +90,17 @@ interface AppConfig {
     }
     tts: { enabled: boolean; voiceURI: string; pitch: number; rate: number; volume: number }
   }
+  vision: {
+    enabled: boolean       // 拍照提问入口的总开关，默认关闭
+    cameraDeviceId: string // 上次选用的摄像头，空=用第一个可用设备（该 id 可能失效，见"拍照提问"）
+  }
 }
 ```
 
 **注意**：本项目无 `chat` 字段（生成固定走 llamacppServer）。`embed.baseUrl` 字段存在但不对用户暴露，由 `applyPlatformOverrides` 固定推导。
 
+**改 `DEFAULT_CONFIG` 只对新配置生效**：`getConfig()` 是 `{ ...DEFAULT_CONFIG.rag, ...raw.rag }` 这样合并的，已部署设备上 `config.json` 里存过的字段会盖掉新默认值。所以调整默认系统提示词这类改动，已有设备不会自动生效，需要删掉 `config.json` 里对应字段（删掉后会回落到新默认值）或在设置页重新保存一次。
+
 ## applyPlatformOverrides 逻辑
 
 `getConfig()` 末尾调用。**自 `836d25c` 起，推理请求（生成 + 嵌入）统一走 er_backend 代理**（`ER_BACKEND_URL = 'http://127.0.0.1:17700'`），不再由前端按 cardType 自己推导 llama-server/embed-server 端口——服务实际监听哪个端口完全由 er_backend 后端配置决定，前端只认这一个代理入口：
@@ -126,6 +137,39 @@ NDrawer (width=900)
 
 **erBackendHandler.ts** 提供对应 IPC，渲染进程通过 `window.electronAPI.erBackend.*` 调用。
 
+## 拍照提问
+
+用摄像头拍照代替打字提问。**不是把图片直接丢给模型问答，而是先把图像转成文字，再走同一套知识库检索流程**——这样答案依然基于手册、带引用标号，跟文字问答一致。
+
+### 三段式流程（visionHandler.ts）
+
+```
+① 图像理解  describeImage(图片)         → 一句话描述 caption    推送 vision-query:caption
+② 检索      embedOne(caption + 用户问题) → search() 取 topK      推送 vision-query:context
+③ 生成      streamGenerate(用户原始问题, chunks, systemPrompt)   推送 vision-query:delta/done
+```
+
+②③ 直接复用文字问答的 `embedOne`/`search`/`streamGenerate`，**没有平行实现一套**；图片只参与第①步，不会传给最终生成模型。事件通道与 `query:*` 平行（`vision-query:stage` / `:caption` / `:context` / `:delta` / `:done` / `:error`）。
+
+两个刻意的取舍：
+
+- **检索用 `caption + 问题` 拼接，生成只用用户原始问题**。检索侧拼接是为了扩大召回；生成侧只用原问题是为了让回答聚焦。实测拍无关物体 + 问"如何更换前大灯"，答案准确命中前大灯文档且没被图像描述带偏，证明这个分工是必要的。
+- **第①步用固定提示词而非用户问题**，且明确要求"一句话、不展开"。实测输出 45 tokens 左右、耗时 4.0–5.3 秒；对比让视觉模型直接完整作答的 454 tokens / 31 秒，差一个数量级。
+
+### 视觉能力探测（ServiceControl.vue → store.visionAvailable）
+
+后端加载的不是多模态模型时，拍照按钮置灰；换回多模态模型后下一轮轮询（5 秒）自动恢复，不用重启应用。判据顺序：
+
+1. 日志里的 `allow_image = 1` —— 最准确，但**er_backend 日志缓冲只留最近 200 条，服务跑一会儿这行就被推理日志挤掉**，所以只在还翻得到时采信
+2. 启动命令 `lastCommand` 含 `--mmproj` —— 不随日志滚动，长期可靠的兜底
+
+**不要改用 `config.generate.modelType === 'vlm'`**：那是配置意图，用户改了配置但没重启服务时与实际运行的模型不符。
+
+### 摄像头的两个坑
+
+- **deviceId 跨会话会失效**：Web 标准不保证 `deviceId` 稳定，配置里存的旧 id 换会话后常常已不存在，拿它做 `getUserMedia` 的 `exact` 约束会抛 `OverconstrainedError`，整个拍照功能不可用。`CameraCapture.vue` 的 `openStream()` 因此带了回退：指定 id 打不开就退回默认摄像头，并把实际拿到的设备 id 回写。
+- **画面倒置会影响识别质量，不只是观感问题**：这批设备摄像头原始画面是倒的。实测把未旋转的原始帧送去识别，模型描述里会明确写"倒置的室内场景"——它把方向当成了图像特征。所以预览的 CSS 旋转和 `capture()` 里 canvas 的旋转**必须成对出现**，只转预览会变成"看着是正的、存下来的图是倒的"。
+
 ## 关键技术约定
 
 ### LanceDB 余弦检索（lancedb.ts）
@@ -150,6 +194,26 @@ const vectors = await Promise.all(texts.map((t, i) => fetchOne(t, i)))
 ```
 每条 60 秒超时，失败重试 2 次。
 
+### 语音输出：流式播报（utils/tts.ts）
+
+答案边生成边播报，不等整段生成完。`ChatPanel` 在 `onDelta` 里实时 `ttsPlayer.append(delta)`，`onDone`/`onError` 里 `flush()` 收尾；`TtsPlayer` 内部按句子边界切分入队，播放跟不上文字时会自适应降速。
+
+三个踩过的坑：
+
+- **`append()` 里必须是 `this.buffer += pending` 而不是 `=`**。LLM 流式增量很碎（常几个字一个 chunk），用赋值会把上一次还没凑够一句、尚未送去朗读的残留直接冲掉，实际效果是整段正文都丢了、只念出 `flush()` 时残留的一个句号。
+- **加粗文本会被念两遍**，根因是 `markdownToPlain()` 每次都从头重新解析整段 `rawText`，而 `**` 闭合前后同一段文字的纯文本结果不一样（未闭合时星号当普通字符，闭合后星号被去掉）。提前把这段还不稳定的文字记为"已朗读"，闭合符号一到就会被当成新内容重念。`findStableBoundary()` 因此只处理到最后一个已闭合的 `**` 为止，未闭合的尾巴留到下次；`flush()` 时生成已结束，不再有这顾虑，直接处理完。
+- **"开始播报"提示音要单独入队**（`announceStart()`），不能碰流式缓冲区状态。
+
+### 系统提示词：查不到内容时的答复
+
+提示词要求"说明手册中暂未查到，并给一条可操作的建议"，而不是硬邦邦一句"我不知道"。
+
+**光在提示词里写"每次换一种措辞"是无效的**——模型每次请求都是无状态的，不知道上次说了什么，实测同样输入连发三次答复一字不差，而且会照抄提示词里给的示例。所以措辞变化由代码侧提供：`generator.ts` 的 `withToneHint()` 每次请求随机挑一条引导追加到系统提示词末尾，让输入本身产生差异。
+
+**没有采用调高 temperature 的做法**：那会同时影响命中文档的正常回答，而维修手册问答更看重稳定准确。
+
+另外，`queryHandler`/`visionHandler` 里 `chunks.length === 0` 的兜底文案说的是"知识库还没有文档，请先导入"而不是"我不知道"——`search()` 是全表余弦排序后截断，只要库里有文档就一定返回结果，走到那个分支只可能是库为空。
+
 ### Vue Proxy IPC 序列化
 
 Pinia 响应式对象直接传给 `ipcRenderer.invoke()` 会触发结构化克隆错误。**所有传入 IPC 的响应式对象必须先序列化**：
diff --git a/README.md b/README.md
index 35143b8..727a090 100644
--- a/README.md
+++ b/README.md
@@ -4,6 +4,14 @@
 
 **仅支持 Linux（银河麒麟 Kylin V10 / Ubuntu）**，适配 ER160（揽月 M50 NPU）和 ER25（芯动力 RPP）计算卡。服务进程管理委托给 [er_backend](https://git.drumtm.com/EdgeRhythm/er_backend)（HTTP 17700），前端专注 RAG 逻辑与用户交互。
 
+## 功能
+
+- **文档问答**：导入 Markdown/文本手册，提问后检索相关片段并生成带引用标号的回答，点引用可查看原文片段
+- **语音输入**：Paraformer 流式识别，说话即转文字填入输入框
+- **语音输出**：边生成边播报，不用等整段答案写完
+- **拍照提问**：用摄像头拍下实物，先由多模态模型转成一句话描述，再接入同一套知识库检索——所以答案同样基于手册内容、带引用，而不是模型凭空描述图片。需要 er_backend 当前加载的是多模态模型，否则按钮会自动置灰（换回多模态模型后自动恢复）
+- **批量测试**：按预设问题列表循环提问，用于压测和效果回归
+
 ## 技术栈
 
 - **框架**：Electron + electron-vite + Vue3 + TypeScript
@@ -37,8 +45,9 @@ elec_rag_ui/
 │   ├── renderer/           # Vue3 前端
 │   │   └── src/
 │   │       ├── App.vue     # 根布局（顶栏 + 主区）
-│   │       ├── components/ # ChatPanel / IndexPanel / SettingsModal 等
+│   │       ├── components/ # ChatPanel / IndexPanel / CameraCapture / SettingsModal 等
 │   │       ├── stores/     # Pinia store
+│   │       ├── utils/      # TTS 播放器、音频采集、Markdown 处理
 │   │       └── types/      # TypeScript 类型定义
 │   └── batch_questions.txt # 批量测试问题示例
 ├── models/                 # 本地模型（onnx 由 Git LFS 管理）
@@ -67,6 +76,15 @@ systemctl status er-backend
 
 er_backend 管理界面：`http://<PAD-IP>:17700`（配置模型路径、启动/停止服务）
 
+## 启用拍照提问
+
+需要两个条件同时满足：
+
+1. **er_backend 加载的是多模态模型**——在管理界面把生成模型配成带 mmproj 的视觉模型（启动命令里应带 `--mmproj`）。应用会自动探测：不是多模态模型时拍照按钮置灰，换回多模态模型后 5 秒内自动恢复可用，不用重启应用。
+2. **在「设置 → 基本设置 → 拍照提问」里打开开关**（默认关闭，因为不是所有部署都会配视觉模型）。
+
+摄像头用标准 USB UVC 设备即可，无需额外驱动。有多个摄像头时，拍照弹层右上角可以切换。
+
 ## 模型文件
 
 `models/` 目录中的 `.onnx` 文件通过 **Git LFS** 管理。克隆后拉取实体文件：
diff --git a/docs/feature-pic-design.md b/docs/feature-pic-design.md
new file mode 100644
index 0000000..7aacb94
--- /dev/null
+++ b/docs/feature-pic-design.md
@@ -0,0 +1,404 @@
+# 拍照提问模式 —— 设计方案
+
+状态：**已实现并通过真机端到端验证**（2026-09-03）。当前生效的是 §11 的二次架构
+（拍照 → 图像理解转述 → 接入本地知识库检索 → 生成），验证记录见 §12。
+§1–§10 保留第一版"纯视觉直接问答"的设计与验证过程作为历史记录，**已被 §11 推翻，不再是当前实现**。
+
+## 1. 背景与目标
+
+现有 `elec_rag_ui` 是纯文本 RAG 问答：用户打字提问 → 检索本地知识库 → llama-server 生成回答。
+本功能希望新增一种输入方式：**用摄像头拍一张照片，直接针对这张照片提问**（例如对着一个实物部件拍照问"这是什么型号"），
+而不是先打字检索文档。
+
+## 2. 关键前提核实（2026-09-03 现场查证，ER160 pad，192.168.31.48）
+
+### 2.1 摄像头硬件 —— 已具备，风险低
+
+```
+/dev/video0/1 -> Hy-Usb2.0-1*MIC: Hy-QSXGA(8950)   # 约500万像素 USB 摄像头，带麦克风
+/dev/video2/3 -> Hy-Usb2.0-2*MIC: Hy-8M(8079)-Ca   # 约800万像素 USB 摄像头，带麦克风
+lsusb: 1bcf:2cef / 1bcf:2ce4  Sunplus Innovation Technology Inc.
+```
+
+两个都是标准 **USB UVC（USB Video Class）** 摄像头，不是需要专有 ISP 驱动的 CSI 摄像头。
+Chromium/Electron 的 `navigator.mediaDevices.getUserMedia()` 原生支持 UVC 设备，**不需要额外驱动或胶水代码**。
+一台设备接了两个摄像头，需要在 UI 里做设备选择（`enumerateDevices()` 列出后选 `deviceId`），
+或者约定固定用其中一个（待确认哪个摄像头是安装时实际对外的那个）。
+
+### 2.2 推理后端视觉能力 —— **已确认可用（2026-09-03 复查更新）**
+
+初次核实时（见本文档历史）当前模型是纯文本的，`allow_image=0`；**复查时 er_backend 已经换成带
+`--mmproj` 的多模态配置**：
+
+```
+/home/work/houmo-HLIELLama-xh2-2.1.0/bin/llama-server \
+  -m /home/work/models/LLM/HiModel_xh2_qwen3.5-9b_w4a8_256_256k_b1_1chip_2cores_v1.4.0_20260708.gguf \
+  --mmproj /home/work/models/LLM/mmproj_xh2_qwen3.5-9b_w4a8_2cores_vit_896x896_v1.4.0_20260708.gguf \
+  -c 8192 --parallel 1 --host 127.0.0.1 --no-warmup --port 8081 --presence_penalty 1.5 --reasoning-budget 0
+```
+
+启动日志确认：
+
+```
+loaded multimodal model, '.../mmproj_xh2_qwen3.5-9b_w4a8_2cores_vit_896x896_v1.4.0_20260708.gguf'
+==========model info===========================
+=allow_image  =     1
+=allow_audio  =     0
+=vision_width =   896
+=vision_height=   896
+=model_desc   = qwen35 9B Q4_0
+==========model info===========================
+```
+
+**并且做了端到端真实请求验证**（不只是看模型加载日志），直接对 `http://127.0.0.1:17700/v1/chat/completions`
+（即前端 `generator.ts` 实际会调用的同一个地址）发了一个带 `image_url` content-part 的请求：
+
+```
+HTTP 200，耗时 2.6s
+返回：{"content": "黑色"}   —— 测试图片本身就是 1x1 黑色像素，模型回答正确，
+                             证明图片被真实理解，不是被忽略/幻觉回答
+```
+
+**结论：阻塞项已解除**，现在的 er_backend 代理路径（`ER_BACKEND_URL/v1/chat/completions`）原生支持
+OpenAI 风格的 `image_url` content-part，前端可以直接照 §5.2 的格式发请求，不需要额外适配层。
+
+**顺带记录的性能数据**（用于 §6 加载态 UI 设计参考）：这次测试用的是 1×1 像素的极简测试图，
+`prompt_tokens` 却达到了 **808**——印证了启动日志里的警告"Qwen-VL models require at minimum
+1024 image tokens"，即**无论照片内容/分辨率如何，视觉编码本身有一个较高的固定 token 开销**
+（896×896 的 ViT 编码器决定的，不是按源图片大小线性变化）。prefill 速度约 373 tokens/s，
+换算下来光是"看懂一张图"这一步就要 ~2 秒起，生成回答的时间还要另外算。
+
+> **2026-09-03 补充：真实照片实测数据（见 §10）**，一次完整的"描述图片"回答（454 tokens）
+> 实际耗时 **~31 秒**（14.7 tokens/s），比这里用极简测试图估算的"3-8秒"长不少——真实照片信息量大，
+> 模型生成的描述篇幅也更长，这才是真实用户会遇到的等待时长。UI 的等待态提示要按这个量级设计，
+> 不能只按几秒钟的"识别中"来做。
+
+## 3. 功能范围（建议先做 MVP）
+
+**MVP 包含：**
+- 聊天输入区新增"拍照"入口，唤起摄像头取景 → 拍照 → 预览/重拍 → 确认
+- 确认后的照片作为一条用户消息的"附件"，和文字问题一起发送
+- 复用现有流式回答渲染（think 块、逐字输出等现有 ChatPanel 能力不用改）
+- 不做检索（不查向量库）：拍照提问是纯粹的"图 + 文"直接对话，不掺 RAG 上下文
+
+**明确不做（本期）：**
+- 不做"拍照 + 知识库联合检索"（比如拍照后再去匹配文档库里的相关图片/文字）——这需要图像
+  embedding/CLIP 之类的能力，目前项目里完全没有这块基础设施，属于完全独立的大功能，先不纳入
+- 不做连续视频流分析，只做单张静态拍照
+- 不做照片持久化存储/历史相册（先按"用完即弃"设计，见 §6.5 的取舍说明）
+
+## 4. 用户体验流程
+
+```
+[聊天界面输入框旁] 新增相机图标按钮
+        │ 点击
+        ▼
+[取景弹层] 全屏/半屏显示 <video> 实时预览
+   ├─ 有多个摄像头 → 顶部下拉切换设备
+   ├─ [拍照] 按钮 → 定格成 <canvas> 快照
+   └─ 拍完后：[重拍] [使用这张]
+        │ 使用这张
+        ▼
+[输入框上方] 出现照片缩略图（可点 x 移除，可再次点击重新打开取景）
+        │ 用户在输入框打字问题（可选，留空则用默认 prompt "描述这张图片"）
+        │ 点击发送
+        ▼
+[聊天记录] 新增一条用户消息：缩略图 + 问题文字
+[聊天记录] 助手消息流式输出回答（复用现有渲染）
+```
+
+## 5. 技术方案
+
+### 5.1 摄像头采集（渲染进程）
+
+用浏览器标准 API，**不经过 IPC**：
+
+```typescript
+const stream = await navigator.mediaDevices.getUserMedia({ video: { deviceId } })
+// <video> 绑定 stream 实时预览
+// 拍照：canvas.drawImage(videoEl, 0, 0) 后 canvas.toDataURL('image/jpeg', quality)
+```
+
+需要在 `src/main/index.ts` 的权限处理器里确认/放行摄像头权限——现有代码：
+
+```typescript
+session.defaultSession.setPermissionRequestHandler((webContents, permission, callback) => {
+  const allowed = permission === 'media' || permission === 'microphone'
+  callback(allowed)
+})
+```
+
+Electron 里摄像头请求的 `permission` 具体是不是也归为 `'media'`（跟麦克风共用同一个值）需要
+实测确认，不确定的话要加日志打印实际收到的 permission 字符串，照实际情况调整判断条件。
+
+### 5.2 请求格式：OpenAI 视觉 content-parts
+
+现有 `generator.ts` 发给 llama-server 的 `messages[].content` 是纯字符串。视觉请求要改成
+OpenAI 兼容的多段 content：
+
+```typescript
+{
+  role: 'user',
+  content: [
+    { type: 'text', text: userQuestion },
+    { type: 'image_url', image_url: { url: `data:image/jpeg;base64,${base64Data}` } }
+  ]
+}
+```
+
+`generator.ts` 的 `streamGenerateLlamaCpp` 需要能接受这种数组形式的 content（简单改成联合类型，
+现有文本对话路径不受影响，用字符串走老路径）。
+
+### 5.3 IPC 设计（新增，不改动现有 `query` 通道）
+
+参照现有 `query` 的"invoke 触发 + push 事件流"模式，新增一套平行的通道，互不干扰：
+
+```typescript
+// preload
+visionQuery: (payload: { imageBase64: string; question: string }) => Promise<void>
+
+// 主进程新增 vision-query handler，push 事件：
+// vision-query:delta / vision-query:done / vision-query:error
+```
+
+主进程侧新建 `src/main/rag/visionGenerator.ts`（或直接扩展 `generator.ts` 加一个
+`streamGenerateVision()`），直接调 `ER_BACKEND_URL/v1/chat/completions`，**跳过**
+`embedOne`/`search` 这两步（MVP 不做检索，见 §3）。
+
+### 5.4 配置项（`AppConfig` 新增字段）
+
+> **实现时做了裁剪**：`maxImageDimension`/`jpegQuality`/`defaultPrompt` 最终没有做成配置项，
+> 改成代码里的硬编码值（JPEG 质量 0.85，默认问题"请描述这张图片的内容"），且**没有做
+> 上传前压缩**——拍照直接用视频原始分辨率生成 dataURL。原因：真机验证时发现视觉模型的
+> `prompt_tokens` 是固定开销（895×896 ViT 编码器决定，跟源图片分辨率无关，见 §2.2），
+> 客户端压缩分辨率对推理速度没有帮助，只对传输体积有一点点好处，MVP 阶段先不加这层配置，
+> 避免为一个还没证明有必要的问题预先设计开关。实际字段：
+
+```typescript
+vision: {
+  enabled: boolean          // 总开关，默认 false
+  cameraDeviceId: string    // getUserMedia deviceId，空字符串 = 使用第一个可用设备
+}
+```
+
+`enabled` 默认关闭，需要在设置页手动打开（现在后端已具备视觉能力，但默认关闭仍然是合理的——
+不是所有部署的 er_backend 都会配置视觉模型，不能假设每台设备都支持）。
+
+### 5.5 是否持久化照片
+
+**建议不落盘**，只在当次会话的内存/聊天记录里保留 base64（或一个内存 Blob URL 用于渲染缩略图），
+应用重启后历史照片随聊天记录一起清空——跟现有"聊天记录本身也不持久化到数据库"的现状保持一致
+（现有文本问答记录也只是内存里的 Pinia state，没有存 LanceDB 或别的持久层）。如果以后要做"拍照历史"，
+再单独设计存储方案。
+
+## 6. UI 改动点（`ChatPanel.vue`）
+
+> **写这份设计时的一个错误假设**：以为 `ChatPanel.vue` 是"消息列表"结构（数组形式的多轮对话历史），
+> 实现时才发现现有代码根本不是这样——`ChatPanel` 只维护"当前这一轮"的单个问题+单个流式回答
+> （`sentQuestion` + `store.rawAnswer`，每次提问直接覆盖上一轮，没有历史记录数组）。这让实现比设计时
+> 想的更简单：不需要改消息数据结构，只要给"当前这一轮"平行加一个 `sentImage` 就行。
+
+实际做法：
+- 输入区工具栏新增相机图标按钮，跟现有语音按钮同一排、同一视觉风格，仅 `vision.enabled` 为
+  `true` 时显示
+- 新增 `CameraCapture.vue`，职责单一：拿 stream、渲染预览、拍照出 dataURL、emit 给父组件，
+  弹层自己不关心业务逻辑
+- `ChatPanel.vue` 新增三个本地 ref：`cameraOpen`（弹层开关）、`pendingImage`（已拍但未发送，
+  显示成输入框上方一个可移除的缩略图 chip）、`sentImage`（已发送，跟 `sentQuestion` 一起显示在
+  问题气泡里）
+- 抽出 `beginQuery()` 把文字提问和拍照提问共用的准备逻辑（重置状态、打断语音输入、停止旧的
+  TTS 播报）合并成一个函数，避免两条路径各写一遍
+
+## 7. 分阶段实施计划
+
+| 阶段 | 内容 | 状态 |
+|---|---|---|
+| 0 | 跟 er_backend/硬件团队确认视觉模型可用性 | ✅ 完成（2026-09-03，见 §2.2） |
+| 1 | 摄像头取景/拍照 UI（`CameraCapture.vue`） | ✅ 完成，真机验证过真实拍照可用（见 §10） |
+| 2 | IPC + `generator.ts` 改造支持 image_url content-part | ✅ 完成，真机验证过完整回答（见 §10） |
+| 3 | 配置项、设置页开关、真机联调 | ✅ 完成（配置项范围比设计时缩减，见 §5.4） |
+| 4 | 打包验证（照片相关无新增大文件，不影响现有打包体积） | ⬜ 未做——这次验证走的是 `dev:linux` 开发模式，没有重新打包 deb |
+
+## 8. 风险与未决问题（更新为已验证/未验证状态）
+
+1. ~~Electron 权限处理器对摄像头请求的 `permission` 字符串需要实测确认~~
+   **已确认**：真机日志 `[permission] media -> granted`，getUserMedia 摄像头请求确实归为 `media`，
+   跟麦克风共用同一个权限判断，不需要额外代码。
+2. **未解决**：两个摄像头哪个是实际安装朝向的那个，仍未现场确认物理安装位置——目前实现是
+   `CameraCapture.vue` 里有下拉框给用户自己选，没有做默认值的硬编码判断，算是绕开了这个问题
+   （用户自己选，不需要我们替他决定），但如果产品上想要"打开就是对的那个摄像头"，还是要现场确认。
+3. **已验证，风险比预想低**：真实分辨率照片（未压缩，直接原始 dataURL）经 er_backend 代理转发
+   `/v1/chat/completions` 没有遇到任何请求体大小限制，正常返回。**没有做 §5.4 提到的客户端压缩**——
+   实测证明视觉模型的 `prompt_tokens` 开销是固定的（跟源图片分辨率无关，见 §2.2），压缩分辨率对
+   推理速度没有帮助，暂时不需要加这层。如果以后遇到极端大尺寸照片（比如高分辨率单反直出）传输
+   变慢，再回头考虑加压缩。
+4. **已用真实数据更新**：完整一段描述类回答实测 **~31 秒**（454 tokens，14.7 tokens/s），不是
+   §2.2 早期用 1×1 测试图估算的"3-8秒"。当前实现**还没有做专门的长等待 UI 提示**——现有的
+   `stage-row`"识别中"loading 态是复用文字问答那套，能用但没有针对"这可能要等半分钟"做优化，
+   是一个值得后续改进但不阻塞可用性的点。
+5. `--reasoning-budget 0` 这个启动参数暗示当前配置关闭了推理/think 模式——真机测试的回答是
+   直接输出内容，没有 `<think>` 块，跟这条预判一致，现有 `<think>` 渲染逻辑没有被拍照提问路径
+   触发，也没有报错，两条路径共用同一套 markdown 渲染没有问题。
+
+## 9. 后续可选优化（不阻塞当前可用性）
+
+- 针对 §8.4 的长等待时间，给拍照提问单独设计一个更明确的等待态提示（比如预估时间、进度感的动画）
+- 针对 §8.2，现场确认两个摄像头哪个是产品实际会用的那个，考虑是否需要写死默认设备
+- 打包验证（§7 阶段4）：确认这次改动不影响现有 664M 左右的 deb 体积（新增代码本身很小，
+  不应该有明显影响，但要走一次真实打包确认）
+- 如果以后有极端大尺寸照片的性能问题，再考虑加回 §5.4 提到的客户端压缩
+
+## 10. 实现与验证记录（2026-09-03）
+
+代码实现：`feature_pic` 分支 commit `21f9c7e`。改动文件清单、每个文件做了什么，见该 commit
+的提交信息，这里不重复。
+
+验证方式：rsync 到 pad → `npx vue-tsc --noEmit`（**一次性通过，零错误**，没有需要修的类型问题）
+→ `npx electron-vite build`（成功）→ `DISPLAY=:0` 直接跑编译产物（未打包 deb，走的是开发产物
+直接运行）→ `ffmpeg -f x11grab` 截图 + `xdotool` 模拟点击操作，验证到：
+
+- 拍照弹层打开、真实摄像头画面可见（拍到桌面上的 Mac mini、显示器）、多摄像头下拉正确列出
+  真实设备名 `Hy-8M(8079)-Camera`
+- 拍照 → 图片正确附加到问题气泡（缩略图渲染正常）→ 默认问题文案 `VISION_DEFAULT_QUESTION`
+  正确生效 → 流式回答完整渲染
+- **回答内容真实针对图片作答**：准确识别出 Mac Mini、AOC 显示器，读出包装盒上的具体文字
+  "100Gbps Super Fast SSD Storage Anywhere"、充电器上的"22W"——细到具体文本级别，
+  不是通用套话或幻觉
+- 进程全程稳定，没有因为这次改动崩溃；唯一的无关日志是 SSL 证书握手失败（pad 时钟问题，
+  跟这次改动无关，见项目里其他关于 pad 时钟的记录）
+
+**这次验证没有覆盖到的**：正式打包（deb）流程、设置页手动切换开关的 UI 操作（是直接改
+`config.json` 打开的 `vision.enabled`，没有走设置页表单）、长时间使用的稳定性。
+
+## 11. 架构调整：接入本地知识库检索（2026-09-03 二次设计）
+
+**状态：已实现并通过真机端到端验证**（commit `687e0ca`，验证记录见 §12）。本节内容推翻
+§3 "不做检索" 的原始决定，是当前的权威设计，§3/§5.2/§5.3/§6 保留作为"第一版为什么这么想"
+的历史记录。
+
+### 11.1 为什么要改
+
+第一版 MVP 是"拍照直接问视觉模型"，图片内容和本地知识库（维修手册文档）完全没有关联。
+但这个应用的核心价值是本地知识库问答，拍照应该是**新增一种提问入口**，而不是一条完全独立
+于知识库之外的旁路。新方案让拍照提问最终也能从知识库里查到相关手册内容来回答。
+
+### 11.2 新流程
+
+```
+用户拍照 + 可选输入问题
+       │
+[主进程] 调视觉模型一次，用固定默认提示词（不是用户问题）："请用一句话简要描述这张图片
+  中的部件、故障现象或异常情况，不要展开解释、不要客套。"
+  → push 'vision-query:stage' {stage:'正在识别图片...'}
+  → 得到一段简短描述 caption（目标 5-10 秒内，靠提示词要求"一句话"+"不展开"来压时长，
+    而不是硬截断 max_tokens——见 §11.3）
+  → push 'vision-query:caption' {caption}   ← 渲染层立刻展示"识别到：{caption}"，简洁一行
+       │
+组装检索查询 retrievalQuery：
+  - 用户打字了问题 → `${caption}\n${question}`（图像描述 + 用户问题拼接，扩大召回面）
+  - 用户没打字      → caption 本身
+       │
+[主进程] 复用现有 embedOne(retrievalQuery) → search(dbPath, vector, topK)
+  → push 'vision-query:stage' {stage:'正在检索...'}
+  → push 'vision-query:context' {chunks}
+       │
+生成用的问题 genQuestion：
+  - 用户打字了问题 → 用户原始问题（不用 retrievalQuery，避免 caption 把回答带偏，
+    检索阶段负责扩大召回，生成阶段保持聚焦用户真实意图）
+  - 用户没打字      → caption 本身（这种情况下 caption 就是唯一的"意图"来源，没有更聚焦的选项）
+       │
+[主进程] 复用现有 streamGenerate(genQuestion, chunks, systemPrompt, callbacks)——
+  **纯文字生成，图片到这一步已经不再传给模型**（第③步转成文字后，图片就完成使命了）
+  → push 'vision-query:stage' {stage:'正在生成...'}
+  → push 'vision-query:delta' 流式吐字，跟文字问答体验一致
+  → push 'vision-query:done'
+```
+
+### 11.3 关键决策记录
+
+| 决策点 | 结论 | 理由 |
+|---|---|---|
+| 图像理解默认提示词 | "请用一句话简要描述这张图片中的部件、故障现象或异常情况，不要展开解释、不要客套。" | 单句、明确要求"不展开"，从提示词层面主动压生成长度，比硬 `max_tokens` 截断更不容易截出语义不完整的半句话 |
+| 图像理解耗时目标 | 5-10 秒 | 用户明确的目标区间；实测极简回答（"黑色"两个字）2.6s，§2.2 记录的极简测试图基准可作为下限参考 |
+| 最终生成是否带图 | 不带，纯文字生成 | 图片信息已经浓缩进 caption，复用现有纯文字 `streamGenerate`，不需要每次生成都重新过一遍视觉编码的固定开销（见 §2.2，~800 token/次），更快 |
+| 检索查询 vs 生成问题是否用同一段文字 | 不同：检索用 `caption+question` 拼接（更大召回面），生成用用户原始 `question`（无问题时退化为 caption） | 检索要"宁可多召回"，生成要"保持聚焦"，两个阶段的目标不一样，没必要共用一份文本 |
+| 中间结果是否展示给用户 | 展示，"识别到：xxx"，一行、简洁 | 5-10 秒的图像理解本身就是一段等待，把中间结果先亮出来能实质性缓解等待焦虑，而不是纯转圈 |
+| 加载态设计 | 三段式：正在识别图片... → 正在检索... → 正在生成...，复用现有 `query:stage` 这套推送机制的样式 | 用户已经熟悉这套"正在xxx..."的提示语汇，不需要发明新的交互语言 |
+
+### 11.4 技术实现要点（待写代码时展开，这里先定方向）
+
+- `vision-query` 这个 IPC handler 内部变成"两段式"：先调一次视觉模型拿 caption，再原样调用
+  现有 `embedOne`/`search`/`streamGenerate`（`queryHandler.ts` 已有的三步，直接复用，不用照抄一遍）
+- `generator.ts` 的 `streamGenerateVision()`（第一版为了直接视觉问答新增的函数）现在只在
+  "第③步图像理解"这一次性调用里用得上；原来那种"图+文一起发给视觉模型直接生成完整答案"的
+  用法不再需要，`ContentPart`/`image_url` 那套改造保留（第③步仍然要用），但调用方式变成
+  "只问一句话、只要一个简短 caption"，跟原来"生成完整长回答"的调用方式不一样，需要单独判断
+  是否要一个新的轻量函数（比如 `describeImage()`）而不是复用 `streamGenerateVision` 的完整流式
+  长回答路径
+- 新增 `vision-query:caption` 这个推送事件（原来只有 delta/done/error），渲染层要新增监听
+  和展示逻辑
+- `ChatPanel.vue` 的 `sendVisionQuery()` 需要重写内部流程以匹配上面的多阶段推送，但外层交互
+  （拍照、缩略图、发送按钮）不用动
+- 是否需要给"识别图片"这一步单独设一个超时/失败兜底（比如识别失败了要不要还能继续走检索，
+  还是直接报错终止）——待实现时决定，本节暂不展开
+
+## 12. 二次架构（接入检索）的实现与验证记录（2026-09-03）
+
+代码：commit `687e0ca`。实现完全按 §11 的设计，没有中途改方向。
+
+### 12.1 真机验证结果
+
+验证环境：pad（当时地址 `192.168.1.37`，注意这台设备 IP 会变，`192.168.31.48` 那个地址
+当时能 ping 通但 SSH 被拒，实际是别的设备占用），`npx electron-vite preview` 跑编译产物，
+`xdotool` 模拟点击 + `ffmpeg -f x11grab` 截图取证。
+
+类型检查 `npx vue-tsc --noEmit` 零错误，`npx electron-vite build` 构建成功。
+
+两次真实拍照问答的完整链路数据：
+
+| 场景 | 图像理解 | 检索 | 生成 | 结果 |
+|---|---|---|---|---|
+| 未输入文字（拍室内台灯托盘） | 4.0s | 召回 20 片段 | 0.1s / 3 tokens | 正确回答"我不知道" |
+| 输入"如何更换汽车前大灯。" | 5.3s | 召回 20 片段 | 17.5s / 233 tokens | 正确答出换灯步骤，带引用 [18] |
+
+**图像理解稳定在 4.0–5.3 秒**，落在 §11 定的 5–10 秒目标内。固定提示词里"一句话""不展开"
+的约束确实生效：输出 45 tokens 上下，对比旧方案（让视觉模型直接完整作答）的 454 tokens / 31 秒，
+差了一个数量级。
+
+### 12.2 验证中确认为正确的两个行为
+
+**其一，第二个场景恰好验证了 §11.3 那个关键决策是对的**：拍的是保温杯/厨房桌面，跟"更换前大灯"
+毫无关系，但因为检索用的是 `caption + 用户问题` 拼接（扩大召回），生成用的是**用户原始问题**
+（保持聚焦），最终答案准确命中前大灯文档并带正确引用，完全没被"保温杯、厨房环境"这些无关的
+图像描述带偏。如果当初决定生成也用组合文本，这个场景大概率会跑偏。
+
+**其二，第一个场景回答"我不知道"是正确行为不是 bug**：图片内容跟知识库（汽车维修手册）无关，
+检索虽然照常返回 topK=20 个片段（暴力余弦排序总会返回够数），但内容都不相关，模型遵守
+systemPrompt 里"上下文找不到就回答我不知道"的规则。这跟文字问答问无关问题时的行为一致。
+
+### 12.3 验证中发现并修复的真 bug：摄像头 deviceId 跨会话失效
+
+首次点开拍照弹层直接报 **`OverconstrainedError`**、预览全黑，整个功能不可用。
+
+根因：`CameraCapture.vue` 把上次选用的 `deviceId` 持久化到 config.json，下次启动时拿它做
+`getUserMedia({ video: { deviceId: { exact: ... } } })` 的约束。但 **deviceId 在 Web 标准里
+不保证跨会话稳定**，换一次会话后旧 id 往往已经不存在，`exact` 约束匹配不上就直接抛错。
+
+修复：抽出 `openStream()`，指定 id 打不开时自动回退到 `{ video: true }` 默认摄像头，并把
+实际拿到的设备 id（`getVideoTracks()[0].getSettings().deviceId`）回写到 `selectedDeviceId`，
+让"自动切到后置摄像头"的逻辑在回退场景下同样能继续工作（原来的写法只在 `initialDeviceId`
+为空时才找后置摄像头，回退场景会被漏掉）。
+
+### 12.4 顺带确认的一件事：画面方向会影响识别质量
+
+用 `ffmpeg` 直接从 `/dev/video2` 抓的**原始帧**（不经过前端旋转）送去识别，模型的描述里明确
+写了"图片显示一个**倒置的**室内场景"。这说明摄像头原始画面确实是倒的，而且**视觉模型会把
+"倒置"当成图像的一个特征去描述**——即 commit `0d19be5` 那个旋转修复不只是预览好看的问题，
+它直接影响识别质量。经过前端旋转后拍的照片（见 §12.1 两次实测），描述里再没出现"倒置"字样。
+
+### 12.5 这次没有覆盖到的
+
+- 正式 deb 打包（走的是 `electron-vite preview` 跑编译产物）
+- "识别图片"这一步失败时的兜底行为（§11.4 最后一条列为待定，实现时也没专门处理，
+  目前是整个 vision-query 抛错走 `vision-query:error`，前端弹错误提示）
+- 长时间连续使用的稳定性
diff --git a/src/main/config.ts b/src/main/config.ts
index a6b3d76..7e0eeff 100644
--- a/src/main/config.ts
+++ b/src/main/config.ts
@@ -58,6 +58,10 @@ export interface AppConfig {
       volume: number
     }
   }
+  vision: {
+    enabled: boolean       // 拍照提问入口总开关，默认关闭（依赖 er_backend 是否加载了支持视觉的模型）
+    cameraDeviceId: string // 上次选用的摄像头 deviceId，空字符串 = 使用第一个可用设备
+  }
 }
 
 export const DEFAULT_CONFIG: AppConfig = {
@@ -106,6 +110,10 @@ export const DEFAULT_CONFIG: AppConfig = {
       volume: 1
     }
   },
+  vision: {
+    enabled: false,
+    cameraDeviceId: ''
+  },
   rag: {
     chunkSize: 480,
     chunkOverlap: 0,
@@ -114,7 +122,9 @@ export const DEFAULT_CONFIG: AppConfig = {
 你的任务是：
 - 只能依据用户提供的上下文内容进行回答；
 - 每个答案中如果有信息来源于上下文，必须标注对应的引用标号（例如：[1]，也可以是多个标号，例如：[1][3]）；
-- 如果问题的信息在上下文中找不到，请直接回复："我不知道。"
+- 如果上下文中没有足够的信息回答问题，不要编造内容，也不要生硬地只回一句"我不知道"。
+  请用一两句自然、平和的话说明手册中暂未查到相关内容，并给出一条简短、可操作的建议，
+  例如请对方补充车型/年款、具体部件名称，或把故障现象描述得更具体，以便更准确地定位；
 - 不得使用自己的知识库或常识来回答问题；
 - 回答应简洁明了，不添加额外解释或发挥。
 
@@ -198,6 +208,10 @@ export function getConfig(): AppConfig {
           rate: typeof raw.voice?.tts?.rate === 'number' ? raw.voice.tts.rate : DEFAULT_CONFIG.voice.tts.rate,
           volume: typeof raw.voice?.tts?.volume === 'number' ? raw.voice.tts.volume : DEFAULT_CONFIG.voice.tts.volume
         }
+      },
+      vision: {
+        enabled: raw.vision?.enabled === true,
+        cameraDeviceId: typeof raw.vision?.cameraDeviceId === 'string' ? raw.vision.cameraDeviceId : ''
       }
     }
     applyPlatformOverrides(config)
diff --git a/src/main/index.ts b/src/main/index.ts
index 193c586..248e9a0 100644
--- a/src/main/index.ts
+++ b/src/main/index.ts
@@ -80,7 +80,8 @@ function getMimeType(filePath: string): string {
 }
 
 app.whenReady().then(() => {
-  // 允许渲染进程请求麦克风权限（语音输入所需）
+  // 允许渲染进程请求麦克风权限（语音输入所需）；Electron 的 getUserMedia 摄像头请求
+  // （拍照提问用）在权限系统里也归为 'media'，跟麦克风共用同一个判断，不需要单独加 'camera'
   session.defaultSession.setPermissionRequestHandler((webContents, permission, callback) => {
     const allowed = permission === 'media' || permission === 'microphone'
     console.log(`[permission] ${permission} -> ${allowed ? 'granted' : 'denied'}`)
diff --git a/src/main/ipc/index.ts b/src/main/ipc/index.ts
index 24d2288..55863dc 100644
--- a/src/main/ipc/index.ts
+++ b/src/main/ipc/index.ts
@@ -1,5 +1,6 @@
 import { registerIndexHandlers } from './indexHandler'
 import { registerQueryHandlers } from './queryHandler'
+import { registerVisionHandlers } from './visionHandler'
 import { registerStatusHandlers } from './statusHandler'
 import { registerAsrHandlers } from './asrHandler'
 import { registerTtsHandlers } from './ttsHandler'
@@ -11,6 +12,7 @@ import type { BrowserWindow } from 'electron'
 export function registerIpcHandlers(getWin: () => BrowserWindow | null): void {
   registerIndexHandlers(getWin)
   registerQueryHandlers(getWin)
+  registerVisionHandlers(getWin)
   registerStatusHandlers(getWin)
   registerAsrHandlers(getWin)
   registerTtsHandlers(getWin)
diff --git a/src/main/ipc/queryHandler.ts b/src/main/ipc/queryHandler.ts
index d8ee487..fbc6906 100644
--- a/src/main/ipc/queryHandler.ts
+++ b/src/main/ipc/queryHandler.ts
@@ -40,7 +40,12 @@ export function registerQueryHandlers(getWin: () => BrowserWindow | null): void
       send('query:stage', { stage: '正在生成...' })
 
       if (chunks.length === 0) {
-        send('query:delta', { delta: '我不知道。' })
+        // 走到这里说明知识库里一条记录都没有（search 是全表余弦排序后截断，
+        // 只要有文档就一定会返回结果），是"还没入库"而不是"没找到相关内容"，
+        // 提示要引导去导入文档，不能只回一句"我不知道"让人以为是模型答不上来
+        send('query:delta', {
+          delta: '知识库中还没有任何文档，暂时无法回答。请先在「设置 → 文档入库」中导入手册，再来提问。'
+        })
         send('query:done', {})
         return
       }
diff --git a/src/main/ipc/visionHandler.ts b/src/main/ipc/visionHandler.ts
new file mode 100644
index 0000000..916e684
--- /dev/null
+++ b/src/main/ipc/visionHandler.ts
@@ -0,0 +1,68 @@
+import { ipcMain, BrowserWindow } from 'electron'
+import { getConfig, getDbPath } from '../config'
+import { embedOne } from '../rag/embedder'
+import { search } from '../db/lancedb'
+import { describeImage, streamGenerate } from '../rag/generator'
+
+// 拍照提问：先用视觉模型快速生成一句图像描述（不查库），描述+用户问题拼接去检索本地
+// 知识库，再用用户原始问题（没打字就用描述本身）+ 检索到的上下文做纯文字生成——
+// 跟 queryHandler.ts 的文字问答共用 embedOne/search/streamGenerate，只是多了第①步。
+export function registerVisionHandlers(getWin: () => BrowserWindow | null): void {
+  ipcMain.handle('vision-query', async (_event, payload: {
+    question: string
+    imageDataUrl: string
+  }) => {
+    const config = getConfig()
+    const dbPath = getDbPath()
+
+    console.log(`\n${'='.repeat(60)}`)
+    console.log('[vision-query] 用户问题：', payload.question || '(未输入)')
+
+    const send = (channel: string, data: unknown): void => {
+      getWin()?.webContents.send(channel, data)
+    }
+
+    try {
+      // ① 图像理解：固定提示词，快速拿一句话描述
+      send('vision-query:stage', { stage: '正在识别图片...' })
+      const caption = await describeImage(payload.imageDataUrl)
+      send('vision-query:caption', { caption })
+
+      // ② 检索：描述 + 用户问题拼接，扩大召回面
+      const retrievalQuery = payload.question ? `${caption}\n${payload.question}` : caption
+      send('vision-query:stage', { stage: '正在检索...' })
+      const queryVector = await embedOne(retrievalQuery, config.embed)
+      const chunks = await search(dbPath, queryVector, config.rag.topK)
+      console.log(`[vision-query] 检索到 ${chunks.length} 个片段：`)
+      chunks.forEach((c, i) => {
+        console.log(`  片段${i + 1}  相关度=${c.score}  来源=${c.source}`)
+      })
+      send('vision-query:context', { chunks })
+
+      if (chunks.length === 0) {
+        // 同 queryHandler：这里只可能是知识库为空，不是"没检索到相关内容"
+        send('vision-query:delta', {
+          delta: '知识库中还没有任何文档，暂时无法结合手册回答。请先在「设置 → 文档入库」中导入手册，再来提问。'
+        })
+        send('vision-query:done', {})
+        return
+      }
+
+      // ③ 生成：用用户原始问题保持聚焦，没打字就用描述本身
+      const genQuestion = payload.question || caption
+      send('vision-query:stage', { stage: '正在生成...' })
+      await streamGenerate(
+        genQuestion,
+        chunks,
+        config.rag.systemPrompt,
+        {
+          onDelta: (delta) => send('vision-query:delta', { delta }),
+          onDone: (stats) => send('vision-query:done', { stats: stats ?? null }),
+          onError: (message) => send('vision-query:error', { message })
+        }
+      )
+    } catch (e) {
+      send('vision-query:error', { message: String(e) })
+    }
+  })
+}
diff --git a/src/main/rag/generator.ts b/src/main/rag/generator.ts
index c8e4a6a..3c4931a 100644
--- a/src/main/rag/generator.ts
+++ b/src/main/rag/generator.ts
@@ -14,6 +14,37 @@ export interface GeneratorCallbacks {
   onError: (message: string) => void
 }
 
+// OpenAI 视觉 API 的 content-part 格式，multimodal 模型（如 Qwen-VL + mmproj）用这种数组形式
+// 代替纯字符串 content 来同时携带文字与图片
+type ContentPart =
+  | { type: 'text'; text: string }
+  | { type: 'image_url'; image_url: { url: string } }
+
+interface ChatMessage {
+  role: 'system' | 'user'
+  content: string | ContentPart[]
+}
+
+// 每次请求对模型来说都是无状态的，它并不知道"上一次说了什么"，所以只在系统提示词里
+// 写"每次换一种措辞"是无效的——实测同样的输入连发三次，答复一字不差。这里改为每次请求
+// 随机挑一条措辞引导追加到系统提示词末尾，让输入本身产生差异，答复自然就不会千篇一律。
+//
+// 之所以不用调高 temperature 来制造随机性：那会同时影响命中文档的正常回答，而维修手册
+// 问答更看重稳定准确。这些引导只在"查不到内容"时才起作用，正常回答不受影响。
+const NO_MATCH_TONE_HINTS = [
+  '若本次需要说明手册中未查到相关内容，请以"很抱歉"起头组织这句话。',
+  '若本次需要说明手册中未查到相关内容，请以"手册里"起头组织这句话。',
+  '若本次需要说明手册中未查到相关内容，请以"目前检索到的资料"起头组织这句话。',
+  '若本次需要说明手册中未查到相关内容，请以"这部分内容"起头组织这句话。',
+  '若本次需要说明手册中未查到相关内容，请用两句话表达：先说明情况，再给一条补充信息的建议。',
+  '若本次需要说明手册中未查到相关内容，请先简短致歉，再说明可以如何把问题描述得更具体。'
+]
+
+function withToneHint(systemPrompt: string): string {
+  const hint = NO_MATCH_TONE_HINTS[Math.floor(Math.random() * NO_MATCH_TONE_HINTS.length)]
+  return `${systemPrompt}\n${hint}`
+}
+
 // 生成服务经 er_backend 代理访问其管理的 llama-server（OpenAI 兼容接口，SSE 流式）
 export async function streamGenerate(
   question: string,
@@ -31,19 +62,69 @@ ${context}
 
 请回答以下问题：${question}`
 
+  const finalSystemPrompt = withToneHint(systemPrompt)
+
   console.log('\n[generator] ---- 发送给 LLM 的完整消息 ----')
   console.log(`[generator] 服务地址：${ER_BACKEND_URL}（er_backend 代理）`)
-  console.log('[generator] system prompt：\n', systemPrompt)
+  console.log('[generator] system prompt：\n', finalSystemPrompt)
   console.log('[generator] user message：\n', userMessage)
   console.log('[generator] ---- 消息结束 ----\n')
 
-  await streamGenerateLlamaCpp(userMessage, systemPrompt, callbacks)
+  await streamChatCompletion(
+    [
+      { role: 'system', content: finalSystemPrompt },
+      { role: 'user', content: userMessage }
+    ],
+    callbacks
+  )
+}
+
+// 拍照提问第一步：用固定的默认提示词（不是用户问题）让视觉模型快速给一句话描述，
+// 用于后续拼检索查询。单次非流式请求——只要一句简短结果，不需要逐字显示，
+// 也不需要每次都重新走一遍长回答的 SSE 解析。
+const IMAGE_DESCRIBE_PROMPT =
+  '请用一句话简要描述这张图片中的部件、故障现象或异常情况，不要展开解释、不要客套。'
+
+export async function describeImage(imageDataUrl: string): Promise<string> {
+  const baseUrl = ER_BACKEND_URL
+  const messages: ChatMessage[] = [
+    {
+      role: 'user',
+      content: [
+        { type: 'text', text: IMAGE_DESCRIBE_PROMPT },
+        { type: 'image_url', image_url: { url: imageDataUrl } }
+      ]
+    }
+  ]
+
+  console.log('\n[generator] ---- 图像理解（拍照提问第①步）----')
+  console.log(`[generator] 服务地址：${baseUrl}（er_backend 代理）`)
+
+  const start = Date.now()
+  let response: Response
+  try {
+    response = await fetch(`${baseUrl}/v1/chat/completions`, {
+      method: 'POST',
+      headers: { 'Content-Type': 'application/json' },
+      body: JSON.stringify({ model: 'default', messages, stream: false })
+    })
+  } catch (e) {
+    throw new Error(`无法连接视觉理解服务（${baseUrl}，er_backend 代理）：${String(e)}`)
+  }
+
+  if (!response.ok) {
+    throw new Error(`图像理解请求失败：${response.status}`)
+  }
+
+  const data = await response.json()
+  const caption: string = data.choices?.[0]?.message?.content?.trim() ?? ''
+  console.log(`[generator] 图像描述（耗时 ${((Date.now() - start) / 1000).toFixed(1)}s）：${caption}`)
+  return caption
 }
 
 // llama.cpp server OpenAI 兼容接口（/v1/chat/completions），SSE 格式
-async function streamGenerateLlamaCpp(
-  userMessage: string,
-  systemPrompt: string,
+async function streamChatCompletion(
+  messages: ChatMessage[],
   callbacks: GeneratorCallbacks
 ): Promise<void> {
   const baseUrl = ER_BACKEND_URL
@@ -60,10 +141,7 @@ async function streamGenerateLlamaCpp(
       headers: { 'Content-Type': 'application/json' },
       body: JSON.stringify({
         model: 'default',
-        messages: [
-          { role: 'system', content: systemPrompt },
-          { role: 'user', content: userMessage }
-        ],
+        messages,
         stream: true,
         stream_options: { include_usage: true }
       })
diff --git a/src/preload/index.ts b/src/preload/index.ts
index 72c4d99..d43ab59 100644
--- a/src/preload/index.ts
+++ b/src/preload/index.ts
@@ -17,6 +17,10 @@ contextBridge.exposeInMainWorld('electronAPI', {
   query: (payload: { question: string; systemPrompt: string; topK: number }): Promise<void> =>
     ipcRenderer.invoke('query', payload),
 
+  // 拍照提问（不走检索，直接把图片+问题发给多模态生成服务）
+  visionQuery: (payload: { question: string; imageDataUrl: string }): Promise<void> =>
+    ipcRenderer.invoke('vision-query', payload),
+
   // 状态 & 配置
   getDbStatus: (): Promise<{ count: number; ready: boolean }> =>
     ipcRenderer.invoke('get-db-status'),
diff --git a/src/renderer/src/components/CameraCapture.vue b/src/renderer/src/components/CameraCapture.vue
new file mode 100644
index 0000000..66f8291
--- /dev/null
+++ b/src/renderer/src/components/CameraCapture.vue
@@ -0,0 +1,230 @@
+<script setup lang="ts">
+import { ref, watch, onUnmounted } from 'vue'
+import { NModal, NCard } from 'naive-ui'
+
+const props = defineProps<{ show: boolean; initialDeviceId: string }>()
+const emit = defineEmits<{
+  'update:show': [value: boolean]
+  captured: [dataUrl: string]
+  deviceChange: [deviceId: string]
+}>()
+
+const videoRef = ref<HTMLVideoElement | null>(null)
+const canvasRef = ref<HTMLCanvasElement | null>(null)
+
+const devices = ref<MediaDeviceInfo[]>([])
+const selectedDeviceId = ref('')
+const capturedDataUrl = ref('')
+const starting = ref(false)
+const errorMessage = ref('')
+
+// 真机实测确认的后置摄像头（朝外拍摄那颗）标签是 "Hy-8M(8079)-Camera"，
+// 用型号里的数字串匹配，不依赖完整标签文案（避免语言环境/固件版本差异导致匹配不上）
+const REAR_CAMERA_LABEL_HINT = '8079'
+
+let stream: MediaStream | null = null
+
+function stopStream(): void {
+  stream?.getTracks().forEach((t) => t.stop())
+  stream = null
+}
+
+/**
+ * 优先按指定 deviceId 打开摄像头；该 id 打不开时退回默认摄像头。
+ * deviceId 在 Web 标准里不保证跨会话稳定，配置里存的是上次运行时的 id，
+ * 换一次会话后经常已经失效——此时 exact 约束会抛 OverconstrainedError，
+ * 不兜底的话整个拍照功能都用不了。
+ */
+async function openStream(deviceId: string): Promise<MediaStream> {
+  if (!deviceId) return navigator.mediaDevices.getUserMedia({ video: true })
+  try {
+    return await navigator.mediaDevices.getUserMedia({ video: { deviceId: { exact: deviceId } } })
+  } catch (e) {
+    console.warn('[camera] 指定的摄像头不可用，回退到默认摄像头：', e)
+    return navigator.mediaDevices.getUserMedia({ video: true })
+  }
+}
+
+async function startStream(deviceId: string): Promise<void> {
+  stopStream()
+  errorMessage.value = ''
+  starting.value = true
+  try {
+    stream = await openStream(deviceId)
+    if (videoRef.value) {
+      videoRef.value.srcObject = stream
+      await videoRef.value.play()
+    }
+    // 记录实际拿到的设备（回退时跟请求的 deviceId 不是同一个），
+    // 后续切换/匹配后置摄像头都以这个真实值为准
+    const actualId = stream.getVideoTracks()[0]?.getSettings().deviceId
+    if (actualId) selectedDeviceId.value = actualId
+    // 拿到权限后 label 才会有值，借机刷新一次设备列表
+    await refreshDevices()
+  } catch (e) {
+    errorMessage.value = `无法打开摄像头：${String(e)}`
+  } finally {
+    starting.value = false
+  }
+}
+
+async function refreshDevices(): Promise<void> {
+  try {
+    const list = await navigator.mediaDevices.enumerateDevices()
+    devices.value = list.filter((d) => d.kind === 'videoinput')
+    if (!selectedDeviceId.value && devices.value.length > 0) {
+      selectedDeviceId.value = devices.value[0].deviceId
+    }
+  } catch {
+    // enumerateDevices 在少数环境下可能不可用，静默忽略，不影响已经拿到的 stream
+  }
+}
+
+function findRearCamera(): MediaDeviceInfo | undefined {
+  return devices.value.find((d) => d.label.includes(REAR_CAMERA_LABEL_HINT))
+}
+
+async function switchDevice(deviceId: string): Promise<void> {
+  selectedDeviceId.value = deviceId
+  emit('deviceChange', deviceId)
+  await startStream(deviceId)
+}
+
+function capture(): void {
+  const video = videoRef.value
+  const canvas = canvasRef.value
+  if (!video || !canvas || video.videoWidth === 0) return
+  canvas.width = video.videoWidth
+  canvas.height = video.videoHeight
+  const ctx = canvas.getContext('2d')
+  if (!ctx) return
+  // 这台设备的摄像头画面是倒置的（见下方 .cam-preview-video 的 CSS 旋转），
+  // 拍出来的照片也要同步转正，不然预览是正的、存下来的图是倒的
+  ctx.save()
+  ctx.translate(canvas.width, canvas.height)
+  ctx.rotate(Math.PI)
+  ctx.drawImage(video, 0, 0, canvas.width, canvas.height)
+  ctx.restore()
+  capturedDataUrl.value = canvas.toDataURL('image/jpeg', 0.85)
+}
+
+function switchCamera(): void {
+  if (devices.value.length < 2) return
+  const idx = devices.value.findIndex((d) => d.deviceId === selectedDeviceId.value)
+  const nextIdx = (idx + 1) % devices.value.length
+  switchDevice(devices.value[nextIdx].deviceId)
+}
+
+function retake(): void {
+  capturedDataUrl.value = ''
+}
+
+function confirm(): void {
+  if (!capturedDataUrl.value) return
+  emit('captured', capturedDataUrl.value)
+  close()
+}
+
+function close(): void {
+  emit('update:show', false)
+}
+
+watch(
+  () => props.show,
+  async (val) => {
+    if (val) {
+      capturedDataUrl.value = ''
+      selectedDeviceId.value = props.initialDeviceId
+      // 摄像头 label 在拿到权限前是空的（浏览器隐私限制），没法在这一步就按标签
+      // 找后置摄像头，先随便开一个拿到权限；startStream 成功后 devices 里才有真实 label。
+      await startStream(props.initialDeviceId)
+      if (!stream) return // 打开失败，错误信息已经显示在弹层里
+      // 配置里没指定过摄像头，或指定的那个已失效（startStream 回退后 selectedDeviceId
+      // 会被改写成实际设备），两种情况都尝试切到实测确认的后置摄像头
+      const usingRequested =
+        !!props.initialDeviceId && selectedDeviceId.value === props.initialDeviceId
+      if (!usingRequested) {
+        const rear = findRearCamera()
+        if (rear && rear.deviceId !== selectedDeviceId.value) {
+          await switchDevice(rear.deviceId)
+        }
+      }
+    } else {
+      stopStream()
+    }
+  }
+)
+
+onUnmounted(() => stopStream())
+</script>
+
+<template>
+  <n-modal :show="show" :mask-closable="false" style="width: 720px; max-width: 92vw;" @update:show="close">
+    <n-card title="拍照提问" closable @close="close">
+      <div class="cam-body">
+        <div v-if="errorMessage" class="cam-error">{{ errorMessage }}</div>
+
+        <div v-show="!capturedDataUrl" class="cam-preview-wrap">
+          <video ref="videoRef" class="cam-preview cam-preview-video" autoplay muted playsinline />
+          <div v-if="starting" class="cam-loading">正在打开摄像头...</div>
+          <button
+            v-if="devices.length > 1"
+            class="cam-switch-btn"
+            title="切换前后摄像头"
+            @click="switchCamera"
+          >
+            <svg width="22" height="22" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2.2" stroke-linecap="round" stroke-linejoin="round">
+              <polyline points="17 1 21 5 17 9"/><path d="M3 11V9a4 4 0 0 1 4-4h14"/><polyline points="7 23 3 19 7 15"/><path d="M21 13v2a4 4 0 0 1-4 4H3"/>
+            </svg>
+          </button>
+        </div>
+
+        <img v-if="capturedDataUrl" :src="capturedDataUrl" class="cam-preview" alt="拍摄预览" />
+
+        <canvas ref="canvasRef" style="display:none" />
+      </div>
+
+      <template #footer>
+        <div class="cam-actions">
+          <template v-if="!capturedDataUrl">
+            <button class="i-btn i-btn-primary i-btn-lg" :disabled="starting || !!errorMessage" @click="capture">拍照</button>
+          </template>
+          <template v-else>
+            <button class="i-btn i-btn-ghost" @click="retake">重拍</button>
+            <button class="i-btn i-btn-primary i-btn-lg" @click="confirm">使用这张</button>
+          </template>
+        </div>
+      </template>
+    </n-card>
+  </n-modal>
+</template>
+
+<style scoped>
+.cam-body { display: flex; flex-direction: column; gap: 14px; }
+.cam-preview-wrap { position: relative; }
+.cam-preview {
+  width: 100%; max-height: 60vh; object-fit: contain;
+  background: #000; border-radius: var(--radius-sm);
+}
+/* 这台设备的摄像头画面是倒置的，转正预览；capture() 里对拍照结果做了同样的旋转 */
+.cam-preview-video { transform: rotate(180deg); }
+.cam-loading {
+  position: absolute; inset: 0; display: flex;
+  align-items: center; justify-content: center;
+  color: #fff; font-size: 15px; background: rgba(0,0,0,.35);
+  border-radius: var(--radius-sm);
+}
+.cam-switch-btn {
+  position: absolute; top: 14px; right: 14px;
+  width: 44px; height: 44px; border-radius: 50%;
+  border: none; background: rgba(0,0,0,.45); color: #fff;
+  display: flex; align-items: center; justify-content: center;
+  cursor: pointer;
+}
+.cam-switch-btn:hover { background: rgba(0,0,0,.65); }
+.cam-error {
+  color: var(--red); background: #FBEAE8;
+  border-radius: var(--radius-sm); padding: 12px 14px; font-size: 15px;
+}
+.cam-actions { display: flex; justify-content: flex-end; gap: 12px; }
+</style>
diff --git a/src/renderer/src/components/ChatPanel.vue b/src/renderer/src/components/ChatPanel.vue
index 7ddebc7..30676b9 100644
--- a/src/renderer/src/components/ChatPanel.vue
+++ b/src/renderer/src/components/ChatPanel.vue
@@ -1,11 +1,12 @@
 <script setup lang="ts">
-import { ref, computed, onMounted, onUnmounted, nextTick, watch } from 'vue'
+import { ref, computed, onMounted, onUnmounted, nextTick } from 'vue'
 import { NModal, NCard, NScrollbar, useMessage } from 'naive-ui'
 import { marked } from 'marked'
 import { useRagStore } from '../stores/rag'
 import { resolveImagePaths } from '../utils/markdown'
 import { AudioRecorder } from '../utils/audio'
 import { ttsPlayer } from '../utils/tts'
+import CameraCapture from './CameraCapture.vue'
 import type { Chunk } from '../types'
 
 interface InferStats {
@@ -153,19 +154,14 @@ function onAnswerClick(e: MouseEvent): void {
   popupVisible.value = true
 }
 
-async function sendQuery(): Promise<void> {
-  const q = question.value.trim()
-  if (!q) return
-  if (!store.dbStatus.ready) { message.warning('向量库为空，请先入库文档'); return }
-  if (store.querying) return
-
+// 两种提问方式（文字检索 / 拍照）共用的准备工作：重置状态、打断正在进行的语音输入、停止旧的 TTS 播报
+function beginQuery(): void {
   store.querying = true
   store.resetAnswer()
   inferStats.value = null
+  visionCaption.value = ''
   readyCitations.value = new Set()
   if (hoverTimer) { clearTimeout(hoverTimer); hoverTimer = null }
-  sentQuestion.value = q
-  question.value = ''
   // 立即解除 ASR 监听并清空状态，防止延迟到达的 asr:stopped 通过 syncAsrText() 恢复输入框
   cleanupAsrListeners()
   asrBaseText = ''
@@ -185,6 +181,19 @@ async function sendQuery(): Promise<void> {
   startWaitTimer()
   ttsPlayer.stop()
   syncTtsConfig()
+  if (ttsEnabled.value) ttsPlayer.announceStart()
+}
+
+async function sendQuery(): Promise<void> {
+  const q = question.value.trim()
+  if (!q) return
+  if (!store.dbStatus.ready) { message.warning('向量库为空，请先入库文档'); return }
+  if (store.querying) return
+
+  beginQuery()
+  sentQuestion.value = q
+  sentImage.value = ''
+  question.value = ''
 
   let firstDelta = true
 
@@ -192,13 +201,16 @@ async function sendQuery(): Promise<void> {
   const onContext = (data: unknown) => { store.chunks = (data as { chunks: Chunk[] }).chunks }
   const onDelta = (data: unknown) => {
     if (firstDelta) { firstDelta = false; stopWaitTimer() }
-    store.rawAnswer += (data as { delta: string }).delta
+    const delta = (data as { delta: string }).delta
+    store.rawAnswer += delta
+    if (ttsEnabled.value) ttsPlayer.append(delta)
     scrollToBottom()
   }
   const onDone = (data: unknown) => {
     stopWaitTimer()
     store.querying = false
     queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
     const stats = (data as { stats?: InferStats | null }).stats
     if (stats) inferStats.value = stats
     cleanup()
@@ -207,6 +219,7 @@ async function sendQuery(): Promise<void> {
     stopWaitTimer()
     store.querying = false
     queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
     message.error((data as { message: string }).message)
     cleanup()
   }
@@ -228,8 +241,102 @@ async function sendQuery(): Promise<void> {
   await window.electronAPI.query({ question: q, systemPrompt: store.config?.rag.systemPrompt ?? '', topK: topK.value })
 }
 
+// 拍照提问：先让视觉模型快速生成一句图像描述（跟用户问题拼接后去检索知识库），
+// 再走一遍跟文字问答一样的检索+生成，图片本身不会传给最终生成模型
+async function sendVisionQuery(): Promise<void> {
+  if (!pendingImage.value) return
+  if (store.querying) return
+  // 防守拍完照到点发送之间后端被切成纯文本模型的空窗（按钮此时已置灰，但图片还留在输入区）
+  if (!store.visionAvailable) {
+    message.warning('当前生成服务加载的不是多模态模型，无法识别图片')
+    return
+  }
+
+  const q = question.value.trim()
+  const img = pendingImage.value
+
+  beginQuery()
+  sentQuestion.value = q
+  sentImage.value = img
+  question.value = ''
+  pendingImage.value = ''
+
+  let firstDelta = true
+
+  const onStage = (data: unknown) => { queryStage.value = (data as { stage: string }).stage }
+  const onCaption = (data: unknown) => { visionCaption.value = (data as { caption: string }).caption }
+  const onContext = (data: unknown) => { store.chunks = (data as { chunks: Chunk[] }).chunks }
+  const onDelta = (data: unknown) => {
+    if (firstDelta) { firstDelta = false; stopWaitTimer() }
+    const delta = (data as { delta: string }).delta
+    store.rawAnswer += delta
+    if (ttsEnabled.value) ttsPlayer.append(delta)
+    scrollToBottom()
+  }
+  const onDone = (data: unknown) => {
+    stopWaitTimer()
+    store.querying = false
+    queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
+    const stats = (data as { stats?: InferStats | null }).stats
+    if (stats) inferStats.value = stats
+    cleanup()
+  }
+  const onError = (data: unknown) => {
+    stopWaitTimer()
+    store.querying = false
+    queryStage.value = ''
+    if (ttsEnabled.value) ttsPlayer.flush()
+    message.error((data as { message: string }).message)
+    cleanup()
+  }
+
+  function cleanup(): void {
+    window.electronAPI.off('vision-query:stage')
+    window.electronAPI.off('vision-query:caption')
+    window.electronAPI.off('vision-query:context')
+    window.electronAPI.off('vision-query:delta')
+    window.electronAPI.off('vision-query:done')
+    window.electronAPI.off('vision-query:error')
+  }
+
+  window.electronAPI.on('vision-query:stage', onStage)
+  window.electronAPI.on('vision-query:caption', onCaption)
+  window.electronAPI.on('vision-query:context', onContext)
+  window.electronAPI.on('vision-query:delta', onDelta)
+  window.electronAPI.on('vision-query:done', onDone)
+  window.electronAPI.on('vision-query:error', onError)
+
+  await window.electronAPI.visionQuery({ question: q, imageDataUrl: img })
+}
+
+function handleSend(): void {
+  if (pendingImage.value) { sendVisionQuery(); return }
+  sendQuery()
+}
+
 function handleEnter(e: KeyboardEvent): void {
-  if (e.key === 'Enter' && !e.shiftKey) { e.preventDefault(); sendQuery() }
+  if (e.key === 'Enter' && !e.shiftKey) { e.preventDefault(); handleSend() }
+}
+
+// ── 拍照提问 ──
+const cameraOpen = ref(false)
+const pendingImage = ref('')
+const sentImage = ref('')
+const visionCaption = ref('')
+
+function onCaptured(dataUrl: string): void {
+  pendingImage.value = dataUrl
+}
+
+function removePendingImage(): void {
+  pendingImage.value = ''
+}
+
+async function onCameraDeviceChange(deviceId: string): Promise<void> {
+  if (!store.config) return
+  if (store.config.vision.cameraDeviceId === deviceId) return
+  await store.saveConfig({ ...store.config, vision: { ...store.config.vision, cameraDeviceId: deviceId } })
 }
 
 // ── 语音输入 ──
@@ -462,13 +569,6 @@ onMounted(() => {
   }
 })
 
-watch(() => store.querying, (querying) => {
-  // 答案流式生成结束后，整段朗读（先播"开始播报"）
-  if (!querying && ttsEnabled.value && store.rawAnswer) {
-    ttsPlayer.speakWithAnnouncement(store.rawAnswer)
-  }
-})
-
 onUnmounted(() => {
   stopWaitTimer()
   if (hoverTimer) clearTimeout(hoverTimer)
@@ -498,10 +598,14 @@ onUnmounted(() => {
           <div class="q-ic">问</div>
           <div>
             <div class="q-label">提问</div>
-            <div class="q-text">{{ sentQuestion }}</div>
+            <img v-if="sentImage" :src="sentImage" class="q-image" alt="提问附带的照片" />
+            <div class="q-text">{{ sentQuestion || (sentImage ? '（未输入文字，根据图片自动识别提问）' : '') }}</div>
           </div>
         </div>
 
+        <!-- Vision caption：拍照提问识别到的图像描述，识别完就常驻显示 -->
+        <div v-if="visionCaption" class="vision-caption">识别到：{{ visionCaption }}</div>
+
         <!-- Stage indicator -->
         <div v-if="store.querying && !store.rawAnswer" class="stage-row">
           <span class="stage-spinner" />
@@ -571,22 +675,44 @@ onUnmounted(() => {
             语音输出
           </button>
         </div>
+        <!-- Camera button：显示与否看用户开关，能否点击看后端当前模型是否支持图像输入 -->
+        <div v-if="store.config?.vision.enabled" class="voice-btn-wrap">
+          <button
+            class="voice-btn"
+            :disabled="!store.visionAvailable"
+            :title="store.visionAvailable ? '拍照提问' : '当前生成服务加载的不是多模态模型，无法识别图片'"
+            @click="cameraOpen = true"
+          >
+            <svg width="26" height="26" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2.2" stroke-linecap="round" stroke-linejoin="round">
+              <path d="M23 19a2 2 0 0 1-2 2H3a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h4l2-3h6l2 3h4a2 2 0 0 1 2 2z"/>
+              <circle cx="12" cy="13" r="4"/>
+            </svg>
+            拍照提问
+          </button>
+        </div>
       </div>
 
       <!-- Question textarea -->
-      <textarea
-        v-model="question"
-        class="q-input"
-        :disabled="batchRunning"
-        placeholder="输入问题，Enter 发送，Shift+Enter 换行…"
-        @keydown="handleEnter"
-      />
+      <div class="q-input-wrap">
+        <div v-if="pendingImage" class="pending-image-chip">
+          <img :src="pendingImage" alt="待发送的照片" />
+          <button class="pending-image-remove" title="移除照片" @click="removePendingImage">×</button>
+        </div>
+        <textarea
+          v-model="question"
+          class="q-input"
+          rows="1"
+          :disabled="batchRunning"
+          :placeholder="pendingImage ? '针对这张照片提问，留空则默认描述图片…' : '输入问题，Enter 发送，Shift+Enter 换行…'"
+          @keydown="handleEnter"
+        />
+      </div>
 
       <!-- Send -->
       <button
         class="i-btn i-btn-primary i-btn-lg send-btn"
-        :disabled="store.querying || !question.trim() || batchRunning"
-        @click="sendQuery"
+        :disabled="store.querying || (!question.trim() && !pendingImage) || batchRunning"
+        @click="handleSend"
       >
         <svg width="22" height="22" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2.4" stroke-linecap="round" stroke-linejoin="round">
           <path d="M22 2L11 13"/><path d="M22 2l-7 20-4-9-9-4 20-7z"/>
@@ -619,6 +745,14 @@ onUnmounted(() => {
         </n-scrollbar>
       </n-card>
     </n-modal>
+
+    <!-- Camera capture -->
+    <CameraCapture
+      v-model:show="cameraOpen"
+      :initial-device-id="store.config?.vision.cameraDeviceId ?? ''"
+      @captured="onCaptured"
+      @device-change="onCameraDeviceChange"
+    />
   </div>
 </template>
 
@@ -662,6 +796,18 @@ onUnmounted(() => {
 }
 .q-label { font-size: 13px; color: var(--blue-d); font-weight: 700; letter-spacing: .8px; margin-bottom: 3px; }
 .q-text { font-size: 20px; font-weight: 700; line-height: 1.4; color: var(--ink); }
+.q-image {
+  max-width: 240px; max-height: 240px; object-fit: contain;
+  border-radius: 8px; margin-bottom: 10px; display: block;
+  border: 2px solid var(--line);
+}
+
+/* Vision caption */
+.vision-caption {
+  font-size: 15px; color: var(--ink-3);
+  background: var(--panel-2); border-radius: var(--radius-sm);
+  padding: 8px 14px; margin-bottom: 14px;
+}
 
 /* Stage indicator */
 .stage-row {
@@ -750,9 +896,11 @@ onUnmounted(() => {
   display: flex; align-items: flex-end; gap: 14px;
 }
 
+.q-input-wrap { flex: 1; min-width: 0; height: 96px; position: relative; }
+
 .q-input {
-  flex: 1; min-width: 0;
-  height: 96px;
+  width: 100%; box-sizing: border-box;
+  height: 96px; min-height: 0; max-height: 96px;
   border: 2px solid var(--line-2); border-radius: var(--radius);
   padding: 16px 20px; font-family: inherit;
   font-size: 20px; line-height: 1.5; resize: none;
@@ -762,6 +910,26 @@ onUnmounted(() => {
 .q-input:focus { outline: none; border-color: var(--blue); }
 .q-input:disabled { background: var(--panel-2); color: var(--ink-3); }
 
+.pending-image-chip {
+  position: absolute; left: 14px; bottom: 100%;
+  margin-bottom: 8px;
+  display: flex; align-items: center;
+  border: 2px solid var(--line-2); border-radius: var(--radius-sm);
+  background: var(--panel); padding: 4px;
+  box-shadow: 0 6px 20px rgba(0,0,0,.12);
+}
+.pending-image-chip img {
+  width: 64px; height: 64px; object-fit: cover;
+  border-radius: 6px;
+}
+.pending-image-remove {
+  position: absolute; top: -8px; right: -8px;
+  width: 22px; height: 22px; border-radius: 50%;
+  border: none; background: var(--red); color: #fff;
+  font-size: 15px; line-height: 1; cursor: pointer;
+  display: flex; align-items: center; justify-content: center;
+}
+
 .send-btn { height: 96px; min-width: 150px; }
 .batch-btn { height: 96px; min-width: 130px; }
 .i-btn-success { background: var(--green); color: #fff; box-shadow: 0 2px 0 #0a6238; }
@@ -793,14 +961,20 @@ onUnmounted(() => {
   font-family: inherit;
   transition: all .15s;
 }
-.voice-btn:hover { background: var(--panel-3); }
+.voice-btn:not(:disabled):hover { background: var(--panel-3); }
 .voice-btn.on {
   background: var(--green);
   border-color: var(--green);
   color: #fff;
   box-shadow: 0 2px 0 #0a6238;
 }
-.voice-btn:disabled { opacity: .6; cursor: default; }
+.voice-btn:disabled {
+  opacity: .5;
+  cursor: not-allowed;
+  background: var(--panel-3);
+  border-color: var(--line);
+  color: var(--ink-3);
+}
 .voice-spinner {
   width: 22px;
   height: 22px;
diff --git a/src/renderer/src/components/ServiceControl.vue b/src/renderer/src/components/ServiceControl.vue
index df6acac..e7dbc36 100644
--- a/src/renderer/src/components/ServiceControl.vue
+++ b/src/renderer/src/components/ServiceControl.vue
@@ -30,21 +30,41 @@ let pollTimer: ReturnType<typeof setInterval> | null = null
 let genSse: EventSource | null = null
 let embSse: EventSource | null = null
 
+/**
+ * 判断生成服务当前加载的模型能不能吃图片输入。
+ *
+ * 首选依据是模型加载后打印的 `allow_image = 1`，但 er_backend 的日志缓冲只留最近 200 条，
+ * 服务跑一会儿这行就会被推理日志挤掉（实测确认），所以只在还能翻到时采信；翻不到时退回
+ * 看启动命令里有没有 `--mmproj`——这个字段不随日志滚动，是长期可靠的依据。
+ */
+function detectVisionCapability(gen: {
+  status?: string
+  lastCommand?: string
+  logs?: Array<{ text?: string }>
+}): boolean {
+  if (gen?.status !== 'running') return false
+  const logHit = gen.logs?.find((l) => l.text?.includes('allow_image'))
+  if (logHit?.text) return /allow_image\s*=\s*1/.test(logHit.text)
+  return !!gen.lastCommand?.includes('--mmproj')
+}
+
 async function pollStatus() {
   if (!needsService.value) return
   try {
     const res = await fetch(`${ER_BACKEND}/api/status`, { signal: AbortSignal.timeout(2000) })
-    if (!res.ok) { erUp.value = false; return }
+    if (!res.ok) { erUp.value = false; store.visionAvailable = false; return }
     const data = await res.json()
     erUp.value = true
     erGenStatus.value   = data.generate?.status || 'stopped'
     erEmbedStatus.value = data.embed?.status    || 'stopped'
     store.serverState      = { status: erGenStatus.value,   logs: store.serverState.logs }
     store.embedServerState = { status: erEmbedStatus.value, logs: store.embedServerState.logs }
+    store.visionAvailable  = detectVisionCapability(data.generate ?? {})
   } catch {
     erUp.value = false
     erGenStatus.value   = 'stopped'
     erEmbedStatus.value = 'stopped'
+    store.visionAvailable = false
   }
 }
 
diff --git a/src/renderer/src/components/SettingsModal.vue b/src/renderer/src/components/SettingsModal.vue
index 85e2a40..27b8db2 100644
--- a/src/renderer/src/components/SettingsModal.vue
+++ b/src/renderer/src/components/SettingsModal.vue
@@ -25,7 +25,8 @@ const form = ref<AppConfig>({
   voice: {
     asr: { enabled: false, executablePath: '', modelDir: '', numThreads: 2, vadSilenceTimeoutMs: 5000, vadEnergyThreshold: 0.005, inputGain: 10, punctuationModelDir: '' },
     tts: { enabled: false, voiceURI: '', pitch: 1, rate: 1, volume: 1 }
-  }
+  },
+  vision: { enabled: false, cameraDeviceId: '' }
 })
 
 const activeTab = ref<'index' | 'basic' | 'voice' | 'batch' | 'log'>('basic')
@@ -175,6 +176,23 @@ async function save(): Promise<void> {
         </div>
       </div>
 
+      <!-- ── 拍照提问 ── -->
+      <div class="sgroup-title">拍照提问</div>
+      <div class="field">
+        <div class="fl">启用拍照提问</div>
+        <div class="fc">
+          <label class="s-radio" :class="{ on: form.vision.enabled }" @click="form.vision.enabled = true">
+            <span class="rk"></span>开启
+          </label>
+          <label class="s-radio" :class="{ on: !form.vision.enabled }" @click="form.vision.enabled = false">
+            <span class="rk"></span>关闭
+          </label>
+        </div>
+      </div>
+      <p class="s-note" style="padding-left:120px;margin:-6px 0 0;">
+        依赖 er_backend 当前加载的是支持视觉输入的模型（能看到 allow_image=1），否则开启后拍照提问会请求失败。
+      </p>
+
     </div><!-- /基本设置 -->
 
     <!-- ── 语音输入输出 ── -->
diff --git a/src/renderer/src/stores/rag.ts b/src/renderer/src/stores/rag.ts
index a813421..07d597a 100644
--- a/src/renderer/src/stores/rag.ts
+++ b/src/renderer/src/stores/rag.ts
@@ -33,6 +33,11 @@ export const useRagStore = defineStore('rag', () => {
   // 启动时硬件探测结果（null=尚未完成探测）
   const detectedCard = ref<DetectedCard | null>(null)
 
+  // 生成服务当前加载的模型是否支持图像输入（由 ServiceControl 的状态轮询写入）。
+  // 拍照提问要靠它决定按钮能不能点——后端换成纯文本模型时按钮置灰，
+  // 换回多模态模型后无需重启应用，下一轮轮询就会自动恢复可用。
+  const visionAvailable = ref(false)
+
   // think 标签由 ChatPanel 负责渲染，此处直接透传
   const displayAnswer = computed(() => rawAnswer.value)
 
@@ -83,6 +88,7 @@ export const useRagStore = defineStore('rag', () => {
     embedServerLogs,
     npuStats,
     detectedCard,
+    visionAvailable,
     refreshDbStatus,
     loadConfig,
     saveConfig,
diff --git a/src/renderer/src/types/index.ts b/src/renderer/src/types/index.ts
index db7bf28..8841bc0 100644
--- a/src/renderer/src/types/index.ts
+++ b/src/renderer/src/types/index.ts
@@ -50,6 +50,10 @@ export interface AppConfig {
       volume: number
     }
   }
+  vision: {
+    enabled: boolean
+    cameraDeviceId: string
+  }
 }
 
 export type DetectedCard = 'er160' | 'er25' | 'none'
@@ -113,6 +117,7 @@ declare global {
       selectDirectory: () => Promise<string | null>
       indexDocuments: (payload: { paths: string[]; mode: 'append' | 'rebuild' }) => Promise<void>
       query: (payload: { question: string; systemPrompt: string; topK: number }) => Promise<void>
+      visionQuery: (payload: { question: string; imageDataUrl: string }) => Promise<void>
       getDbStatus: () => Promise<DbStatus>
       getConfig: () => Promise<AppConfig>
       saveConfig: (config: AppConfig) => Promise<void>
diff --git a/src/renderer/src/utils/tts.ts b/src/renderer/src/utils/tts.ts
index b9c21f0..4ad252d 100644
--- a/src/renderer/src/utils/tts.ts
+++ b/src/renderer/src/utils/tts.ts
@@ -148,13 +148,24 @@ export class TtsPlayer {
 
     this.rawText += text
     const thinkFree = this.stripThinkContent(this.rawText)
-    const plain = this.markdownToPlain(thinkFree)
+    // 只处理到"安全边界"为止：排除末尾可能还没闭合的 ** 加粗标记。
+    // markdownToPlain 每次都是从头重新解析整段 rawText 的，闭合符号到达前后，
+    // 同一段文字的纯文本渲染结果会不一样（比如未闭合时星号被当普通字符处理，
+    // 闭合后星号被去掉、文字保留）。如果提前把这段还不稳定的文字提交为
+    // lastSpokenPlain，闭合符号一到，plain 文本变化，会被 computePendingDelta
+    // 重新判定成"待朗读"，导致这段文字被朗读两遍。
+    const stableBoundary = this.findStableBoundary(thinkFree)
+    const stableRaw = thinkFree.slice(0, stableBoundary)
+    const plain = this.markdownToPlain(stableRaw)
     const pending = this.computePendingDelta(plain)
     if (!pending) return
 
-    // 直接用当前未朗读的纯文本替换缓冲区，避免旧 buffer 因格式被二次清洗而变得陈旧/重复
+    // pending 是相对 lastSpokenPlain 的增量（已排除重复），累加进缓冲区而不是替换——
+    // 替换会丢失上一次 append() 里 processBuffer() 还没来得及提取成句子的剩余文本
+    // （比如队列满了暂停提取，或者还没遇到句尾标点），高频小增量调用下会导致正文
+    // 大量丢字，只有 flush() 时残留的最后一小段才会被朗读。
     this.lastSpokenPlain = plain
-    this.buffer = pending
+    this.buffer += pending
     this.recordAppend(pending.length)
     this.processBuffer()
   }
@@ -164,6 +175,15 @@ export class TtsPlayer {
    */
   flush(): void {
     if (!this.options.enabled) return
+    // 收尾：答案已经生成完毕，不用再担心格式标记后续会变化，
+    // 把 append() 因 findStableBoundary 搁置的尾部（如收尾正好停在未闭合的 ** 上）也一并处理掉
+    const thinkFree = this.stripThinkContent(this.rawText)
+    const plain = this.markdownToPlain(thinkFree)
+    const pending = this.computePendingDelta(plain)
+    if (pending) {
+      this.lastSpokenPlain = plain
+      this.buffer += pending
+    }
     if (this.buffer.trim()) {
       this.enqueue(this.buffer.trim())
       this.buffer = ''
@@ -176,6 +196,17 @@ export class TtsPlayer {
    * 分段规则："。"、"；"、"！"、"？" 后长停顿，"、"、"：" 后短停顿（约 0.2s~0.3s），
    * 每段一行发给主进程，由主进程统一合成并在段间插入对应时长的静音。
    */
+  /**
+   * 播报"开始播报"提示音，用在流式问答开始时（配合 append()/flush()）。
+   * 只入队播放，不碰 rawText/buffer 等流式缓冲区状态，调用前应已经
+   * 通过 stop() 清空过一轮的状态。
+   */
+  announceStart(): void {
+    if (!this.options.enabled) return
+    this.introSpoken = true
+    this.enqueue('开始播报')
+  }
+
   speakWithAnnouncement(rawText: string): void {
     if (!this.options.enabled) return
     const plain = this.stripThinkAndMarkdown(rawText)
@@ -328,6 +359,27 @@ export class TtsPlayer {
    * 用“后缀-前缀对齐”计算真正新增的纯文本。
    * 当 cleanMarkdown/marked 把 HTML 实体或格式符号压缩时，按内容对齐可避免丢字或重复。
    */
+  /**
+   * 找到文本里可以安全处理的边界，排除末尾可能还没闭合的 ** 加粗标记
+   * （出现次数为奇数，说明最后一个 ** 还没等到它的另一半）。
+   * 只处理 ** 是因为这是目前唯一被实测复现"闭合前后纯文本渲染不一致"问题的标记；
+   * 其它行内标记（*斜体*、`代码`、~~删除线~~）出现频率低很多，先不处理。
+   */
+  private findStableBoundary(text: string): number {
+    let count = 0
+    let lastUnclosedIndex = -1
+    let from = 0
+    while (true) {
+      const found = text.indexOf('**', from)
+      if (found === -1) break
+      count++
+      lastUnclosedIndex = found
+      from = found + 2
+    }
+    if (count % 2 === 1) return lastUnclosedIndex
+    return text.length
+  }
+
   private computePendingDelta(newPlain: string): string {
     const prev = this.decodeHtmlEntities(this.lastSpokenPlain)
     if (!prev) return newPlain