一文详解多模态应用的几个疑问，以及多模态应该怎么应用于RAG？零基础小白收藏这一篇就够了！！

原创于 2025-09-11 16:20:25 发布 · 826 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#大模型学习 #大模型入门 #AI大模型 #人工智能 #RAG #多模态 #大模型

前言

“ 多模态与RAG的结合是一个应用的实践过程，其实际操作远比理论要复杂得多。”

这段时间一直在搞RAG和Agent，然后使用的基本上都是基于文本处理的推理模型，基本上没用过多模态模型；而最近突然有个想法，那就是把多模态应用于当前的RAG系统。

虽然说之前对多模态有些基础认识，但并没有在真实的业务系统中实践过；然后网络上关于多模态应用的内容又很少，因此等真正尝试去做的时候才发现，多模态应用好像没有那么简单。

多模态模型的应用

既然要应用多模态，那么首先要了解什么是多模态；在对多模态最粗浅的认知就是，多模态支持多种模态的数据，也就是文本，视频，音频，图片等。

在作者个人的认知中，多模态应该是能接受任何形式的数据输入，然后可以输出任何自己想要的数据格式；事实上多模态也是这么做的，但并不是我们想象中的那样。

观察了几家模型厂商之后发现一个问题，很多所谓的多模态模型都仅仅支持两种模态或三种模态；比如说根据文本生成语音，图片理解，视频理解，图片生成，视频生成等等。

而那种能够支持所有模态数据的模型叫做——全模态。

以具体的例子来看，在日常办公场景中，会议纪要是一个很重要的东西；现在基于人工智能的会议纪要产品已经有很多了；其原理就是，把音频数据(会议的录音)通过音频转文字的模型，把音频转成文字，然后再基于文字做总结提炼，最后形成会议纪要。

同样的，图片理解，视频理解，图片生成，视频生成等所谓的多模态模型都是如此。

OK，那么怎么把多模态模型应用于RAG系统呢？

在非多模态模式下的RAG系统，是把所有的数据都转成文字的形式，然后进行相似度检索；包括图片，表格等。

但是，我们都知道图片，架构图等表达的内容有时很难用文字描述出来；因此，经过转换之后的文档会丢失大量的有效信息。

那么，如果能把多模态应用到RAG中，那么就可以让多模态模型来识别文档中的内容，这样就可以尽量保证信息的完整性；但具体应该怎么做呢？

在刚开始作者的认知中，多模态应用于RAG应该是把文档丢给模型，然后让模型把里面的文字，图片，架构图，表格等给抠出来，并维护其内在的关联关系，比如说那些文字和那些图片是关联的；然后把这些不同模态的数据，再通过向量化的方式保存到向量库中。

但是，看了模型厂商的一些模型之后，发现好像不是这么做的；它们的方式是，把文档丢给模型，然后让模型按照要求总结出我们所需要的东西；当然，也有那种能够确定文档中文字和图片的位置，然后通过截图的方式拿到文档中的图片或架构图等数据。

但是，这种处理方式并没有维护文档中的关联关系，不同数据之间依然是独立的内容；而且，这样的话，在做数据召回时应该怎么召回？

总不能不同的数据还有去不同的地方做召回，最重要的是不同模态数据之间的关联关系怎么处理？

果然是纸上得来终觉浅，绝知此事要躬行；多模态好像看起来很简单，但等真正想上手去做的时候才发现远远没有那么简单。

当然，也可能是作者没有多模态应用的经验，暂时还无法理解多模态在RAG中的使用流程。

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。

在这里插入图片描述

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。
在这里插入图片描述
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。