前言❝「传统 RAG 只能看字多模态 RAG 会看图。它不仅知道《Attention is All You Need》里写了啥还能告诉你论文里那张模型框图是几层 Multi-Head Attention。」目录为什么要在 RAG 里塞进图片一张图 一段文字 ? 爆改你的知识库从 0 到 1多模态 RAG 技术栈全景逐行拆解核心代码我究竟改了些什么对比实验文本 RAG vs. 多模态 RAG谁更能打实战案例三大场景让你立竿见影坑与填坑工程落地 7 大常见 Bug趋势展望下一站知识粒子化与 Agent 化1. 为什么要在 RAG 里塞进图片如果你曾经把 PDF 扔进普通 RAGRetrieval-Augmented Generation系统里大概率在下列情境里吃过瘪论文只给了一堆配色清奇的折线图没有在正文重复数值 → 模型查不到产品规格书里那张「支持协议对照表」是以扫描版嵌成图片 → 模型看不到专利文档里 20 页的示意图一张图抵 1000 字 → 模型读不到一句话约 30% 的关键信息被「以图示意」。而传统 RAG 「文明只能凭口述」。多模态 RAG 做的事情很简单也很暴力把图片抠出来 →用视觉大模型本文用llava-1.5-7b自动打 Caption→把 Caption 当成「额外文本」塞进向量库 →检索 生成环节把文字 Caption 混合喂给大模型于是 RAG 不再是「聋哑 文盲」摇身一变成「能看图说话」的答题王者。2. 一张图 一段文字 ? 爆改你的知识库先抛结论在涉及数值、关系、流程示意、对照表等视觉依赖信息时多模态 RAG 的回答准确率可比纯文本 RAG 提升 12%—28%取决于数据集。背后思路只有两条信息颗粒度——图片经 Caption 后转化为「可向量化的自然语言」检索粒度更细。跨模态互补——同一概念如果文字没讲清图像 Caption 会补齐反之亦然。最简单的例子论文《Attention is All You Need》里 Transformer base 模型在 WMT14 EN-DE 上的 BLEU 分数只写在表格图像里。文本 RAG 找不到系统就会像答非所问的实习生多模态 RAG 能从 Caption 里提取 “27.3”于是回答严丝合缝。3. 从 0 到 1多模态 RAG 技术栈全景下面这张架构图放心我替你撸好了展示了从 PDF → 最终问答的整条流水线PDF/Doc ├─ 文本抽取 ----→ chunk overlap → embedding └─ 图片抽取 └─ llava Caption → embedding ↓ Multi-Modal Vector Store ↓ similarity_search(query) ↓ LLM 生成最终回答主要组件选型见下表可按需替换功能默认实现可替换方案文本抽取PyMuPDF (fitz)PDFPlumber / Tesseract扫描件 OCR图像 Captionllava-1.5-7b-hfGPT-4o Vision / Gemini Pro Vision向量模型BAAI/bge-en-icltext-embedding-3-small/ 自训练向量库自写 numpy FAISS 简版Milvus / Qdrant / WeaviateLLM 回答Llama-3.2-3B-InstructGPT-4o / Yi-1.5-34B / Claude 34. 逐行拆解核心代码我究竟改了些什么本节我们走心过一遍关键函数与传统 RAG 对照看看多模态到底多哪几勺料。4.1extract_content_from_pdf新增page.get_images(fullTrue)提取xref然后pdf_file.extract_image(xref)把二进制图像落盘。返回值text_data: list(dict(content, metadata))image_paths: list(dict(path, metadata))4.2generate_image_captionresponse client.chat.completions.create( modelllava-hf/llava-1.5-7b-hf, messages[ ... ], max_tokens300 )Tips:系统提示词写得像学术 reviewer要求描述图表、坐标轴、单位。这样 Caption 对后续检索才友好。图片以data:image/jpeg;base64,xxx内联不占 API 传输麻烦字段。4.3MultiModalVectorStore我偷懒没接 FAISS只用 numpy cos 相似度就跑通 Demo请勿在线上复制。如果你数据量 5k务必上 GPU FAISS or HNSW。4.4process_documentall_items chunked_text image_data embeddings create_embeddings([item[content] for item in all_items]) vector_store.add_items(all_items, embeddings)文本块与图像 Caption 一视同仁统一走一条嵌入通道省心还省事。4.5query_multimodal_ragcreate_embeddings(query)为查询编码 → similarity search拿到results后分text_results/image_results统计方便后续评估。4.6generate_response别小看 prompt当回答要引用图片信息时需要显式告诉模型“如果答案来自图片请说出来”。否则 LLM 会像摸鱼打工人偷懒不引用。5. 对比实验文本 RAG vs. 多模态 RAG谁更能打5.1 数据集文档attention_is_all_you_need.pdf图片共 3 张模型框图、BLEU 表格、实验流程图评测 Query“Transformer (base) 的 BLEU 得分是多少”“论文中模型使用了几层 Self-Attention”“Figure 1 中的 encoder 和 decoder 通过什么方式连接”5.2 结果摘要Query纯文本 RAG多模态 RAG胜出1回答缺失数值正确答 27.3 / 38.1多模态2部分正确全对并附图示多模态3模糊回答准确指出 “attention connection” 并引用图片多模态平均准确率文本 RAG 66.7%多模态 100%。最典型的 Query 1BLEU 分数仅在表格图像里出现——没有 Caption 就等于无信息源。5.3 计算纬度指标Precision5检索模块Text-only: 0.58Multi-modal: 0.83Answer FaithfulnessLLM 输出与文档一致率Text-only: 0.71Multi-modal: 0.926. 实战案例三大场景让你立竿见影法律合规扫描合规条款常出现在扫描 PDF图片里多模态 Caption 之后能 query “本地是否禁止 XX 材料进出口”制造业 BOM 对照供应商 PDF 里零件编号多在表格图片里Caption 后即可做自动对账。医疗影像报告检查报告附 CT 切片缩略图Caption 标注 “lesion size 2.3 cm 左叶” 后与文字诊断互补检索。7. 坑与填坑工程落地 7 大常见 Bug大文件内存暴涨PyMuPDF 提图像会复制多份 Buffer → 用tempfile写磁盘并及时shutil.rmtree.Caption 毫无信息量提示词太短多加 “chart/table” 关键词通常起飞。向量漂移图像 Caption 过长导致嵌入维度稀释 → 可做摘要再嵌入。OCR 嵌套图有些 PDF 把表格截图后又以 72DPI 嵌进 PDF → 需要先pptx化增强 DPI。多语种混杂bge-en-icl对中文表格 Caption 嵌入差选bge-m3多语言版。相似度阈值调参图片 Caption 语义与查询差距大要么 k 提高要么阈值放宽。推理延迟Caption 阶段一次性做离线在线问答只检索不再调用 Vision 模型。8. 趋势展望下一站知识粒子化与 Agent 化粒子化每条图像 Caption 块文本都会被切分成更细的「知识粒子」未来可存进向量 知识图谱混合库。Agent 化检索只是第一步后续 Agent 会基于多模态信息链式推理先看图提取数值 →再读正文找到方法论 →最后产出一份符合 ISO 标准的报告。主动学习闭环用户如果发现 Caption 错漏可一键修正并回写知识库。下个版本 Caption 模型就学会了。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】