Problem or Motivation
- 背景与痛点 (Background & Pain Point)
在尝试将 OpenMAIC 用于“辅导初中生自学”的真实场景时，我发现项目存在一个严重的可用性瓶颈。
当我上传一本标准的初中课本时，由于文件字节数以及极其严格的图片数量限制（目前似乎受限于 20 张图片），程序会直接报错并崩溃。对于绝大多数包含图文的教材或长篇书籍来说，这个限制导致项目在实际学习场景中处于不可用的状态。
Proposed Solution
- 提议的解决方案 (Proposed Solutions)
为了让程序真正能跑起来，并显著降低 API 的调用成本，我建议引入一个预加载与路由机制，具体分为两个层面：
A. 文档切片与前端章节选择 (Document Slicing & Chapter Selection UI)
机制：在将长文档完整喂给解析模型之前，先进行文档切片，按“章”和“节”对内容进行结构化划分。
交互：在前端增加一个中间界面。用户上传整本书后，界面会解析出目录，让用户勾选“本次预加载/学习哪一章哪一节”。
收益：通过限制单次处理的上下文范围，彻底解决超长文本和超量图片导致的最大 token 限制崩溃问题。
B. 引入轻量级模型进行图片过滤 (Pre-routing Image Filtering using lightweight models like Gemini Flash)
机制：一本典型的初中教材中，有 30% 到 40% 的图片是纯装饰性或与核心学习逻辑无关的。我建议在主干流程前加入一个预处理路由。
工作流：调用低成本、高速度的多模态大模型（如 Gemini Flash），让模型快速判定提取出的图片是否对“学习理解”有效。剔除掉无效的装饰图片，并对保留的有效图片进行适当的压缩处理。
收益：只保留高价值图片进入最终的深度解析环节，极大地减轻了程序的运行压力，同时为用户节省了大量核心大模型（如高阶模型）的 API 费用。
- 预期的贡献 (How I plan to contribute)
我认为这个机制对 OpenMAIC 在教育场景的落地至关重要。我非常希望能将这个思路贡献到项目中。目前已经在用Claude code在本地做开发
Alternatives Considered
方案B：整页截图法（把每页PDF渲染成图片直接喂给Gemini）
优点：零文本提取、零图片提取、完美保真
缺点：极其费token（每页都是一张大图）、只有Gemini/Claude能做、成本高
判断：对于初中生日常自学来说，成本太高，不推荐
方案C：RAG问答模式（把课本建成知识库，学生聊天提问）
优点：不受图片/文本限额影响
缺点：完全放弃了OpenMAIC的互动课堂、幻灯片、测验等优势
判断：偏离了使用OpenMAIC的初衷，不推荐
Area
Other
Additional Context
No response
Problem or Motivation
在尝试将 OpenMAIC 用于“辅导初中生自学”的真实场景时，我发现项目存在一个严重的可用性瓶颈。
当我上传一本标准的初中课本时，由于文件字节数以及极其严格的图片数量限制（目前似乎受限于 20 张图片），程序会直接报错并崩溃。对于绝大多数包含图文的教材或长篇书籍来说，这个限制导致项目在实际学习场景中处于不可用的状态。
Proposed Solution
为了让程序真正能跑起来，并显著降低 API 的调用成本，我建议引入一个预加载与路由机制，具体分为两个层面：
A. 文档切片与前端章节选择 (Document Slicing & Chapter Selection UI)
机制：在将长文档完整喂给解析模型之前，先进行文档切片，按“章”和“节”对内容进行结构化划分。
交互：在前端增加一个中间界面。用户上传整本书后，界面会解析出目录，让用户勾选“本次预加载/学习哪一章哪一节”。
收益：通过限制单次处理的上下文范围，彻底解决超长文本和超量图片导致的最大 token 限制崩溃问题。
B. 引入轻量级模型进行图片过滤 (Pre-routing Image Filtering using lightweight models like Gemini Flash)
机制：一本典型的初中教材中，有 30% 到 40% 的图片是纯装饰性或与核心学习逻辑无关的。我建议在主干流程前加入一个预处理路由。
工作流：调用低成本、高速度的多模态大模型（如 Gemini Flash），让模型快速判定提取出的图片是否对“学习理解”有效。剔除掉无效的装饰图片，并对保留的有效图片进行适当的压缩处理。
收益：只保留高价值图片进入最终的深度解析环节，极大地减轻了程序的运行压力，同时为用户节省了大量核心大模型（如高阶模型）的 API 费用。
我认为这个机制对 OpenMAIC 在教育场景的落地至关重要。我非常希望能将这个思路贡献到项目中。目前已经在用Claude code在本地做开发
Alternatives Considered
方案B：整页截图法（把每页PDF渲染成图片直接喂给Gemini）
优点：零文本提取、零图片提取、完美保真
缺点：极其费token（每页都是一张大图）、只有Gemini/Claude能做、成本高
判断：对于初中生日常自学来说，成本太高，不推荐
方案C：RAG问答模式（把课本建成知识库，学生聊天提问）
优点：不受图片/文本限额影响
缺点：完全放弃了OpenMAIC的互动课堂、幻灯片、测验等优势
判断：偏离了使用OpenMAIC的初衷，不推荐
Area
Other
Additional Context
No response