多模态RAG实战指南：比想象更复杂的AI应用，程序员必学收藏

本文分享了作者将多模态模型与RAG系统结合的实践经验，揭示了多模态应用远比理论复杂的真相。文章详细剖析了多模态模型在实际业务中的应用挑战，特别是不同模态数据间的关联关系处理和数据召回方式等关键问题。对于想要探索多模态RAG系统的开发者来说，本文提供了宝贵的实战经验和思考方向，帮助你少走弯路，更高效地实现多模态与RAG的融合应用。

---

“ 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。

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。

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

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。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】