radlab.ai

是什么

R.A.D. Lab AI 定位为 Spatial Intelligence Platform，核心命题是把“原始物理信号”转化为“可查询语义知识”。它希望摄取3D扫描、文档、音频、RF信号等数据，通过领域适配器抽取结构化语义场景图，再让用户用自然语言进行推理查询。当前重点落在 3D Spatial Search SaaS，并开放寻找机器人、空间计算、信号处理和具身智能方向的研究协作者。

核心能力

从正文看，其架构分为通用核心与领域适配器。通用层包含用户画像存储、Graph Store + Vector Index，以及基于 LangGraph 的 RAG Agent。图存储包含类型化节点、边、权重和实体向量，使用 pgvector 做语义检索，NetworkX 做图遍历。适配器层负责具体信号处理，例如 Open3D 处理点云、PyMuPDF 处理文档、librosa 处理音频；语义标注方面提到 CLIP/SigLIP、CLAP 和 NER。

用例与输出质量

最清晰的用例是上传3D空间扫描后用自然语言提问，例如判断桌子和门之间是否有足够轮椅通行净空。3D适配器规划支持 PLY、OBJ、PCD、E57，能力包括点云分割、RANSAC平面检测、零样本物体标注，以及邻近、包含、净空等空间关系边。文档适配器面向人、组织、主题、日期等实体抽取。局限是目前仍处于 Active Development，3D与文档适配器在开发中，CAD/BIM和视频/实时流仍是规划，未披露性能指标或真实案例效果。

定价、隐私与集成

页面未提供免费额度、试用、价格、付款方式、部署形态或数据隐私说明，因此商业采购前信息不足。集成方面只披露了文件/数据格式与内部技术组件，未见公开API、SDK或企业系统集成说明。

优缺点与适合谁

优点是技术路线明确，抓住了机器人和空间智能中“信号到语义”的难点，并用图、向量检索和RAG组合解决复杂关系查询。缺点是产品化程度尚低，支持、合规、定价和可访问性不透明。它更适合科研团队、机器人/空间AI创业团队和愿意共研的早期合作方，而非需要即插即用成熟SaaS的企业。

中国访问

正文未说明中国大陆访问、中文界面或本地支付支持，china_access 只能判定为未知。若用于中国团队项目，建议先确认网站连通性、数据出境与支付方式；可替代方向包括本地部署的点云处理、知识图谱、向量数据库和RAG框架组合。