[Go] Ollama: multimodal/vision requests drop images (no vision support)

快速结论：该问题发生在 RAGFlow 使用 Go 语言实现的 Ollama 驱动调用多模态/视觉模型时——消息中的图片会被静默丢弃，模型只能收到纯文本。优先排查你是否使用了 RAGFlow 的 Go 路径（而非 Python 驱动）调用 Ollama 视觉模型；该问题已由 PR #17663 修复。

适用环境：RAGFlow 内部 Go 版 Ollama 实体驱动（internal/entity/models/ollama.go），涉及同步聊天与流式聊天（ChatWithMessages、ChatStreamlyWithSender）；未确认具体操作系统、Python、CUDA、显卡版本信息。

最快修复方案：升级到包含 PR #17663 的 RAGFlow 版本。该修复在同步与流式两条路径中都将 Ollama 原生 images 数组注入第一条用户消息。需注意：此修复是 Issue 确认的已合并方案，但 Issue 未明确给出具体版本号，请在当前 RAGFlow 版本基础上拉取主分支或查看 Release 中包含 #17663 的最新版本。

注意事项：Issue 明确指出 #17639（仅删除死代码）不能解决此问题，请不要误用。修复针对 Go 路径；Python 端 OllamaCV 驱动本就有正确的图片附加能力，无需额外操作。升级后建议对文档/图片理解类场景重新验证图片是否真正送达模型。

问题场景

用户使用 RAGFlow 的 Go 版 Ollama 驱动，配合支持视觉/多模态的 Ollama 模型（例如用于文档或图片理解）时，触发图片被静默丢弃的问题。Issue 明确指向 internal/entity/models/ollama.go 中共享辅助函数 contentToText（L40-54），该函数只抽取消息中的文本部分，丢弃图片数据，导致同步与流式聊天接口均无法向模型传递 Ollama 原生 images 字段。

报错原文

[Go] Ollama: multimodal/vision requests drop images (no vision support)

The shared helper contentToText (L40-54) extracts only the text part of a message and discards images. Both ChatWithMessages and ChatStreamlyWithSender therefore serialize messages as plain role/content text with no images field.

原因分析

RAGFlow 包含两套 Ollama 集成路径：Python 驱动与 Go 驱动。Go 路径中，contentToText 函数将所有消息内容强制转成纯文本——意味着图片（即使已作为 base64 或 URL 传入）在序列化阶段被剥离。Python 的 OllamaCV 驱动（rag/llm/cv_model.py:812-815）会在第一条用户消息附加图片，而 Go 路径缺乏对应实现，因此走 Go 路径时多模态请求变成了“纯问文本”，但模型侧不报错，导致图片被静默丢失。

环境排查

确认实际走到的是 RAGFlow 的 Go 路径还是 Python 路径（OllamaCV）；Python 路径不受此 Bug 影响。
核对 internal/entity/models/ollama.go 中 contentToText 被调用的位置（Issue 指出 :98 与 :218，分别对应同步与流式接口）。
验证 Ollama 模型本身支持视觉/多模态输入（例如 llava 类模型），并确认请求中确实包含图片数据。
检查 RAGFlow 版本是否已包含 PR #17663（修复内容）——不包含修复的版本才会出现此问题。

解决步骤

将 RAGFlow 升级到已合并 PR #17663 的版本（该 PR 同时覆盖同步和流式聊天路径，为第一条用户消息注入 Ollama 原生 images 数组，支持 base64 字符串或 URL）。
如果无法立刻升版，可优先尝试：检查使用入口是否实际走了 Python 的 OllamaCV 驱动（rag/llm/cv_model.py），该路径不受影响，能绕过 Go 路径的 Bug。
明确不要依赖 PR #17639 修复此问题——该 PR 仅删除了死代码，并未注入图片字段，无法解决视觉请求丢图问题。
在完成升级后，对发起视觉请求的代码路径做自查：确认请求中第一条用户消息确实包含多模态内容，而非纯文本（因为修复仅在存在多模态消息时才注入 images）。

验证方法

使用一个多模态/视觉模型（如图片理解场景）发起请求，并在模型侧确认收到的消息包含图片内容（可以检查 Ollama 请求日志中是否出现 images 字段且值非空）。对比升级前（图片被丢弃、模型只收到文本）与升级后的行为差异。若仍无法看到图片，则需检查请求的第一条消息是否真的携带了 base64 编码的图片数据。