我们回头看一下那篇 APT 攻击的科普文章，会发现一个问题：文章里其实是有图的。架构图、流程图、模型图有差不多10几张图片，但是这些图片在 ingest 的时候全被忽略了，wiki 里只生成了文字概念页，图本身一张没进。
这样就会导致：你用 /query 问 APT 杀伤链长什么样，LLM 只能给你列七个阶段的名字，给不出原文中具体的流程图。
第一篇讲过 LLM Wiki 和 RAG 的根本区别：RAG 是 query 的时候临时拼凑，LLM Wiki 是 ingest 的时候提前编译。那是不是自然而然的可以想到，我们可以在编译期ingest的时候把图片的含义给分析了，query 时直接检索召回就好了。
那问题的本质就变成了：LLM Wiki 能不能像多模态 RAG 一样，在检索时关注文档里图片的语义，返回图文并茂的内容？
设计思路
这边我的设计思路参考了我们之前做过的多模态 RAG，我们先大致回顾一下多模态RAG的操作步骤：
1. 从文档里提取出图片
2. 调用多模态模型，对每张图做语义理解，生成一段语义描述文本
3. 在原文中图片的位置插入
实现落地
我们继续使用Claudian来帮我们做功能的增强，提示词如下：
为 LLM Wiki 增强多模态图片能力，使图片成为可检索、可关联的知识节点。
要求：
* **视觉理解仅发生在 ingest 阶段**，Query 阶段禁止再次调用视觉模型。
* **raw/** 为原始数据，禁止修改；所有新增内容写入 **wiki/**。
### 1. 新增 Image 页面
新增 `wiki/images/`，每张图片生成一个独立 Markdown（kebab-case 命名），图片文件仍保留在 `raw/assets/`。
在 `CLAUDE.md` 中新增 `image` 页面类型，Frontmatter 至少包含：
* `type: image`
* `caption`：一句高质量摘要，包含检索关键词
* `visual_description`：完整视觉语义（架构图必须描述组件、连接关系、数据流、执行顺序；流程图描述步骤和分支）
* `extracted_text`：OCR 提取的全部可见文字
* `asset_path`：`[[raw/assets/xxx.png]]`
* `related`：关联相关的知识页： `concept`、`entity`
页面顶部嵌入原图：
```md
![[raw/assets/xxx.png]]
禁止生成无意义描述（如"一张关于 XX 的图片"）。
2. 扩展 ingest
扫描 raw/articles/ 中引用的图片及 raw/assets/ 下所有图片，调用 Read（Vision）完成视觉理解，生成对应 Image 页面。
同时自动：
- 建立
related双向关联； - 在相关 Concept / Entity 页面增加
## 图解，嵌入原图并链接[[images/xxx]]； - 更新
index.md和log.md。
3. 扩展 Query
Query 阶段禁止再次调用 Read（Vision）分析图片，仅使用 ingest 阶段生成的 Image 页面进行检索和推理。
当命中关联图片时，自动在回答中嵌入：
![[raw/assets/xxx.png]]
> 图：一句图片说明。
来源：[[images/xxx]]
实现图文并茂的回答。
### 4. 回溯历史图片
检查 `raw/assets/` 中尚未生成 Image 页的图片，全部补建，并同步更新相关 Concept、Entity、Index、Log。
目标：图片与 Concept、Entity 一样成为 Wiki 一级知识节点，图片语义在 ingest 阶段完成编译，Query 阶段直接利用编译结果完成图文联合回答。
改造点和整体流程
这段提示词发给 Claudian 之后，它会对三个地方做改造： CLAUDE.md 新增 image 页面类型：规定了图片页的 frontmatter 规范（caption、visual_description、extracted_text、asset_path、related），以及页面顶部必须嵌入原图的约定。从此图片和 concept、entity 一样，是 wiki 的一级知识节点。 ingest 命令扩展：原来的 ingest 只处理文本，现在加了一步：扫描源文档引用的图片和 raw/assets/ 下的独立图片，用 Read 工具做视觉理解，生成图片页，并在相关的 concept/entity 页里嵌图，同步更新 index.md 和 log.md。 query 命令扩展：query 阶段禁止调视觉模型，只能读已经编译好的 image 页。命中带图的页面时，答案里自动嵌入原图。 整体流程串起来是这样：
原始文档（图文混排 markdown）
↓
ingest 阶段 Claudian 用 Read 逐张读图
↓
生成 wiki/images/ 下的图片页（含语义描述）
↓
双向链接到 concept/entity 页
↓
query 阶段纯文本检索
↓
命中图片语义
↓
答案嵌入原图。
案例一：构建 APT 源文档图片页
之前 ingest 的 APT 攻击科普文的时候，wiki 里只生成了文本概念页，图全被忽略了。现在功能增强了，让 Claudian 回溯处理。
可以看到这边Claudian给我提供了两个解决方案：第一是强制重新ingest，并增加一个--force参数选项，第二是可以让它手动处理这些就图片，我们这边选择推荐的方案A。
可以看到agent在自动的帮我更新ingest.md，更新完成后，就开始着手处理文档中的11张图片，每张图片都会调用多模态能力去进行语义分析。解析完成后，还会去生成对应的images类型的页面。
等待一会，Claudian就会完成所有images类型页面的创建了。
到这里我们的图文构建就ok了，接下来我们就来尝试提问，看能否有图文并茂的回复。
/query 网络杀伤链是什么，并提供一下他的流程图
案例二：图片的 ingest
这部分我们主要演示一下raw/assets下的图片如何处理。我们之前使用的 APT 科普文，在进行web clipper的时候，有一张图片丢失掉了，我们在本地的raw/articles的文档中这个图片没有抓取到，这边我们直接使用这个图片来举例。
但是我尝试用Claudian对原文中的这个图片进行视觉理解，发现工具确实理解不了，一直报错400，可能图片格式有问题，正好也印证了为啥web clipper抓取不下来，但是，我在一个github的项目中找到了一样的图片。
https://github.com/SecWiki/sec-chart/blob/master/APT%20%E6%94%BB%E5%87%BB/APT%20%E6%94%BB%E5%87%BB.png
这时候就可以正常视觉理解了，等ingest 完成后，wiki/images/ 下会多出对应的图片页，并且apt-attack概念页也增加了链接的思维导图，双向链接全部组织好。
这也就说明了，就算raw/assets下面直接放图片资源，我们的llm wiki依然可以正常的进行解析编译，组织生成知识图谱。当然还是和之前说的一样，每次ingest完成，建议都执行一下lint，保证wiki的质量。
可以尝试提问一下：
/query apt攻击的思维导图是什么样的
```