elec_rag_ui/docs/feature-pic-design.md

拍照提问模式 —— 设计方案

状态：草案，未实现。本文档只做设计，feature_pic 分支尚未修改任何业务代码。 唯一的硬阻塞项（后端视觉能力）已于 2026-09-03 复查解除，见 §2.2。

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——真实拍照场景（图片本身

• 问题文字）单次问答预计在 3-8 秒量级，UI 必须要有明确的"识别中"等待态，不能让用户以为卡死了。

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：

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：

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：

{
  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：

// 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）

vision: {
  enabled: boolean          // 总开关，默认 false，等后端具备能力再打开
  cameraDeviceId: string    // getUserMedia deviceId，空字符串 = 使用默认/第一个
  maxImageDimension: number // 上传前压缩的最长边（如 1024），控制 payload 大小和推理时延
  jpegQuality: number       // 0-1，默认 0.85
  defaultPrompt: string     // 用户没打字时的默认问题，如"描述这张图片的内容"
}

enabled 默认关闭：在 er_backend 视觉能力就绪之前，这个入口在设置里默认不显示，避免用户点了 拍照却发现后端直接报错。

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）

• 输入区工具栏新增相机图标按钮（现有已有语音输入按钮，风格保持一致）
• 新增一个取景弹层组件（新文件，如 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
• 消息气泡的数据结构（渲染消息列表用的 message 类型）加一个可选 imageDataUrl 字段， 用户消息如果带图就在文字上方渲染一个缩略图（点击可放大，简单用原生 <img> + 一个全屏预览态即可， 不需要引入新组件库）

7. 分阶段实施计划

阶段	内容	前置条件
0	跟 er_backend/硬件团队确认视觉模型可用性 已完成（2026-09-03，见 §2.2，端到端验证通过）	—
1	摄像头取景/拍照 UI（CameraCapture.vue），先只做交互，用假数据验证体验	无
2	IPC + visionGenerator.ts 打通，generator.ts content 类型改造	无（阶段0已就绪，可直接对真实后端联调）
3	配置项、设置页开关、真机联调（含真实摄像头 + 真实视觉模型，重点测真实照片而非1x1测试图的延迟/效果）	阶段1、2完成
4	打包验证（照片相关无新增大文件，不影响现有打包体积）	阶段3完成

阶段 0 已解除，1/2 可以直接开始且互不依赖，建议并行推进。

8. 风险与未决问题

1. Electron 权限处理器对摄像头请求的 permission 字符串需要实测确认（§5.1）。
2. 两个摄像头哪个是实际安装朝向的那个（500万 vs 800万像素那颗），需要现场看一下物理安装位置， UI 上是默认写死还是给用户切换待定。
3. 图片 base64 塞进 /v1/chat/completions 请求体，走 er_backend 代理转发时有没有请求体大小限制 （nginx/代理层常见的 client_max_body_size 之类），已验证极小图片可以正常通过代理，但没测过 真实分辨率照片（896×896 甚至更大的 base64 体积），§5.4 的 maxImageDimension 压缩正是为了 控制这个风险，阶段3要专门测一次。
4. 揽月 NPU 视觉推理延迟：见 §2.2 实测数据，极简图片仅 prefill 就要 ~2s，真实照片 + 生成完整回答 预计 3-8 秒量级，UI 必须要有明确的"识别中"等待态。
5. --reasoning-budget 0 这个启动参数暗示当前配置关闭了推理/think 模式，视觉问答场景要不要开 thinking（现有 ChatPanel 的 <think> 块渲染能力目前用不上），待联调时确认输出格式是否有变化。

9. 下一步

阻塞项已解除，可以直接开始 §7 阶段 1（UI 壳子）和阶段 2（后端联调），两者互不依赖，建议同时推进。