请设计一个基于RAG的系统，输入是软件或网页界面的截图，输出是每个组件的功能说明。对于相似组件（如图片框和视频框），你会如何区分？
考察说明
考察多模态RAG设计、组件识别与相似组件的区分策略
回答思路
- 明确输入输出定义（截图→组件标注+说明或问答）
- 说明如何建立并检索组件相关文档（结构化索引、向量检索）
- 阐述图片框与视频框的区分特征（静态纹理、动态标识、元数据）
- 讨论多模态嵌入与OCR/视觉特征的结合
- 处理检索结果缺失或歧义时的兜底策略
本题已收录答题指导
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。