客户来电咨询业务或反映问题，工作人员需要从录音里整理诉求，再交给对应的处理队列。除了听清内容，还要判断事情是否紧急、客户是否明显不满、有没有需要继续跟进的事项。逐条回听费时，客户表达含糊时还要反复确认。

从 PDF、图片到音视频，多模态数据的价值释放，往往需要经过解析、转换、模型计算和结果关联等多个环节。本文将介绍为什么这些处理流程需要一个多模态原生引擎，以及 Vane Data 如何将 SQL、Python 函数与 AI 能力组织成统一的数据流，让多模态数据处理像数仓 ETL 一样简单。从一行 import vane 开始，复用你熟悉的 Python 和 SQL，构建第一条多模态处理流程。

星帆逐影 AstroVela 正式入选 NVIDIA 初创加速计划。

知识库刚起步时，你可能只需要导入几份产品手册，验证 AI 能不能回答业务问题。等效果得到认可，更多资料陆续接入：历史报告、操作指南、业务制度……几份 PDF，逐渐变成几千份。

商家上传商品时可能选错类目，人工逐条核对图文很费时。本文用一小批商品演示如何辅助审核：先让模型检查标题、图片和类目是否一致，标出可疑记录供人工复核；确认一件商品错分后，再用相似搜索找出同批值得检查的其他商品。

更强的模型降低了多模态自动标注的门槛。本文以体育视频为例，介绍 Vane Data 如何串联数据准备、自部署推理、外部 API 和结果校验，在既定资源下产出更多合格标签。

AI 应用往往需要处理 PDF、图片、音频和视频。进入数据管道前，需要对 PDF 拆页、对图片解码、对音频重采样，并沿视频时间轴展开，同时保留文件名、页码和帧号等定位信息。本文以这四类文件为例，介绍 Vane Data 如何以 Relation（多模态数据集）为核心，串联文件展开、批量处理、模型推理、查询和写出，把原始文件转化为可查询的数据。

Vane Data 是基于 DuckDB 构建的多模态原生数据引擎，将数据处理、模型推理和异构资源调度纳入同一条 Relation 流水线。本文介绍它如何组合 AI Functions、Python UDF 与 vLLM，如何通过动态批处理、流水线并行、背压和容错让任务稳定运行，并以车险理赔为例展示从图片预处理到审核分流的完整流程。