本文介绍了多模态RAG系统的实现流程与挑战。多模态RAG在基础RAG上增加了对文本、图片等多模态数据处理能力，实现流程包括文档解析、入库、检索召回和生成四个步骤。核心挑战在于如何有效处理不同模态数据，包括多模态数据提取、多模态嵌入技术和多模态上下文构建。文章强调多模态RAG在实际工程中远比理论复杂，需要根据具体业务场景进行针对性优化，是解决设计图、产品图等复杂场景的有效技术方案。
“多模态RAG是一项非常复杂的系统，需要分布解决，文档解析，嵌入多模态融合，上下文构建等。”
RAG技术虽然还存在很多问题，但基本上已经可以应用于真实的业务场景，并且用来解决部分实际问题；但随着业务场景越来越复杂，多模态RAG也被提上了日程，因为有些场景下单纯的文本解决不了问题。
如各种领域内的设计图，产品图，架构图，单纯靠文字描述很难解决问题；所以才有了多模态RAG，当然多模态RAG并不是一个新概念，而且已经被提出了一段时间；如果单纯从理论上来讲，多模态RAG很简单，只是在之前的RAG上加上了多模态数据，但在真实的工程开发中，多模态却面临着各种各样的问题。
所以，今天我们就来简单记录一下多模态系统是怎么实现的，然后存在哪些问题。
多模态RAG实现流程
多模态RAG既然是在基础RAG之上增加了多模态数据，那么它依然遵循RAG的完整流程，文档解析–>入库–>检索召回–>生成。
而由于多模态数据的特殊性，它和传统的纯文本处理还存在很大的差别；首先，在第一步文档解析，需要把文档中不同模态的数据提取出来，如文本，图片等，然后分别存储，并构建关联关系。
{ "file_id": "文件id", "page_no": "页码", "text": "文本描述", "img": ["图片地址", "图片地址"] }关于文档解析，可以使用多种技术，如使用一些文档处理库，自己手动解析文档中的文本，图片，页码等信息；其次，也可以使用VLM模型进行解析，或者使用OCR技术(解析文本，表格类文档)，亦或者是第三方文档解析服务。
总之，文档解析的第一步就是提取文档中不同模态的数据，并保留结构和元数据信息。
入库与检索
多模态文档入库的目的和传统RAG一样，都是为了进行向量相似度计算；但多模态文档入库有两种方式：
内容提取，转换为文本说明，然后通过文本语义相似度进行检索
多模态嵌入模型，使用模态融合的方式，直接把不同模态的数据转换成同一向量空间进行检索，包括文字，图片，视频，音频等模态数据，经典模型如CLIP。
当然，在以后可能还会存在其它方法解决多模态检索的问题，如不同模态的数据分块进行检索，即文本数据用来检索文本内容，图片数据用来检索图片内容，最后把不同模态数据的检索结果进行合并；或者其它新的算法出现。
总之，你用什么样的方法存，就要用对应的方法取；多模态数据涉及到多种算法，包括但不仅限于跨模态对齐，多模态表示，多模态融合等，最终目的只有一个，那就是怎么更好的处理不同模态的数据。
生成
在RAG中检索的目的是为了增强生成，因此生成才是最后一步，也是最重要的一步，否则前面检索做的再好，也没有任何意义。
而在生成过程中，最重要的就是构建上下文，合理的上下文有利于模型理解和生成。
在文本RAG中，上下文构建只需要按照提示词模板，把用户问题，历史记录，参考文档等拼接到一块即可；但在多模态中，因为涉及到多种模态的数据，因此其上下文构建要复杂得多，因为目前多模态模型的接口，都是把文本和图片分开处理的，所以这个对应关系怎么搞。
而且，在多模态RAG中，前面的检索和上下文构建好之后，还需要模型的理解和生成能力，这个就需要靠模型自己了；比如说，互联网的产品设计图，和房地产的产品设计图，以及铁路，交通等设计图结构，侧重点都不一样；针对这些特定的行业，可能需要对模型进行适当的训练和优化，否则很难达到想要的效果。
总结
多模态RAG实操要远比理论复杂的多，我们没有办法一次性解决所有问题，只能按照RAG的整体框架，一步一步的解决问题和优化问题，而在多模态RAG中，作者认为最核心的三个步骤就是，文档解析，嵌入和生成；对应的就是智能文档处理，多模态融合嵌入，上下文构建。
其中，对模型来说它需要的是一个结构化的，文本，图片，视频，音频等内容组成的一个多模态上下文；而嵌入是解决怎么存储和检索多模态数据，包括内容总结，多模态融合等技术，解决的构建上下文的数据从哪来，怎么来的问题；而文档解析的目的，是对文档进行拆分，然后方便存储和检索。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。
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】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
