diff --git a/src/main/ipc/visionHandler.ts b/src/main/ipc/visionHandler.ts
index 9ed0f31..7aa31e3 100644
--- a/src/main/ipc/visionHandler.ts
+++ b/src/main/ipc/visionHandler.ts
@@ -1,23 +1,57 @@
 import { ipcMain, BrowserWindow } from 'electron'
-import { streamGenerateVision } from '../rag/generator'
+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：跳过向量检索，图片 + 问题直接发给 er_backend 代理的多模态生成服务
+// 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] 问题：', payload.question)
+    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 {
-      await streamGenerateVision(
-        payload.question,
-        payload.imageDataUrl,
+      // 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) {
+        send('vision-query:delta', { delta: '我不知道。' })
+        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 }),
diff --git a/src/main/rag/generator.ts b/src/main/rag/generator.ts
index fac2fdf..9aec557 100644
--- a/src/main/rag/generator.ts
+++ b/src/main/rag/generator.ts
@@ -57,29 +57,47 @@ ${context}
   )
 }
 
-// 拍照提问：不检索、不拼接知识库上下文，图片 + 问题直接发给多模态生成服务
-export async function streamGenerateVision(
-  question: string,
-  imageDataUrl: string,
-  callbacks: GeneratorCallbacks
-): Promise<void> {
-  console.log('\n[generator] ---- 拍照提问 ----')
-  console.log(`[generator] 服务地址：${ER_BACKEND_URL}（er_backend 代理）`)
-  console.log('[generator] 问题：', question)
-  console.log('[generator] ---- 消息结束 ----\n')
+// 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。'
 
-  await streamChatCompletion(
-    [
-      {
-        role: 'user',
-        content: [
-          { type: 'text', text: question },
-          { type: 'image_url', image_url: { url: imageDataUrl } }
-        ]
-      }
-    ],
-    callbacks
-  )
+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
diff --git a/src/renderer/src/components/CameraCapture.vue b/src/renderer/src/components/CameraCapture.vue
index 3165284..66f8291 100644
--- a/src/renderer/src/components/CameraCapture.vue
+++ b/src/renderer/src/components/CameraCapture.vue
@@ -29,18 +29,36 @@ function stopStream(): void {
   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 navigator.mediaDevices.getUserMedia({
-      video: deviceId ? { deviceId: { exact: deviceId } } : true
-    })
+    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) {
@@ -119,9 +137,13 @@ watch(
       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(selectedDeviceId.value)
-      // 用户/配置没有指定具体摄像头时，权限到手后尝试切到确认过的后置摄像头
-      if (!props.initialDeviceId) {
+      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)
diff --git a/src/renderer/src/components/ChatPanel.vue b/src/renderer/src/components/ChatPanel.vue
index 25ab552..aa22d5d 100644
--- a/src/renderer/src/components/ChatPanel.vue
+++ b/src/renderer/src/components/ChatPanel.vue
@@ -159,6 +159,7 @@ function beginQuery(): void {
   store.querying = true
   store.resetAnswer()
   inferStats.value = null
+  visionCaption.value = ''
   readyCitations.value = new Set()
   if (hoverTimer) { clearTimeout(hoverTimer); hoverTimer = null }
   // 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
@@ -240,14 +241,13 @@ async function sendQuery(): Promise<void> {
   await window.electronAPI.query({ question: q, systemPrompt: store.config?.rag.systemPrompt ?? '', topK: topK.value })
 }
 
-const VISION_DEFAULT_QUESTION = '请描述这张图片的内容'
-
-// 拍照提问：不查向量库，图片 + 问题直接发给多模态生成服务
+// 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
 
-  const q = question.value.trim() || VISION_DEFAULT_QUESTION
+  const q = question.value.trim()
   const img = pendingImage.value
 
   beginQuery()
@@ -258,6 +258,9 @@ async function sendVisionQuery(): Promise<void> {
 
   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
@@ -284,11 +287,17 @@ async function sendVisionQuery(): Promise<void> {
   }
 
   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)
@@ -309,6 +318,7 @@ function handleEnter(e: KeyboardEvent): void {
 const cameraOpen = ref(false)
 const pendingImage = ref('')
 const sentImage = ref('')
+const visionCaption = ref('')
 
 function onCaptured(dataUrl: string): void {
   pendingImage.value = dataUrl
@@ -584,10 +594,13 @@ onUnmounted(() => {
           <div>
             <div class="q-label">提问</div>
             <img v-if="sentImage" :src="sentImage" class="q-image" alt="提问附带的照片" />
-            <div class="q-text">{{ sentQuestion }}</div>
+            <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" />
@@ -779,6 +792,13 @@ onUnmounted(() => {
   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 {
   display: flex; align-items: center; gap: 10px;