RAG 多模态检索入门图片、表格和结构化数据如何统一进检索管道一、深度引言与场景痛点传统的 RAG 系统有一个致命的盲区它只认识文字。当你问它这张架构图里的数据流是怎样的它一脸茫然。当你问财报表格中 Q3 的净利润增长率它只能给你一段从文档里搜到的、可能与表格内容风马牛不相及的文字描述。现实世界的信息是多种形态的——PDF 里有图表、PPT 里有架构图、网页里有表格和代码块、数据库里有结构化记录。如果你只做纯文本检索意味着你的 RAG 系统戴着文字眼罩在处理多模态信息。它会把表格当作无意义的字符串拼接把图片的 alt 文本当作图片的全部内容把数值关系的信息丢失殆尽。多模态 RAG 的核心挑战不是能不能处理而是如何把异质的模态统一到同一个检索管道中。我们需要一个范式——无论是图片、表格还是纯文本最终都能被表示成可比较的向量参与语义检索。二、底层机制与原理深度剖析多模态 RAG 的检索管道包含四个关键步骤内容解析与分离首先要把混合文档中的不同模态内容拆开。对于 PDF用布局分析模型识别表格区域、图片区域和文本段落。Unstructured、LlamaParse 等工具可以自动完成这步。模态适配编码纯文本用文本 Embedding 模型编码图片用 CLIP 等视觉模型编码成图像向量表格需要特殊处理——把表格的语义信息提取成文本描述再用文本 Embedding 编码。多向量融合检索多种模态的向量存在于不同的语义空间中直接做相似度比较毫无意义。核心策略是数据桥接——通过文本描述作为中间桥梁将视觉、结构化信息都转换到文本语义空间中。上下文拼接检索到不同模态的内容后需要按合理的方式组织上下文。比如图片配说明文字表格转 Markdown结构化数据格式化成键值对。flowchart TB subgraph 文档解析层 PDF[原始 PDF/PPT 文档] -- LP[LlamaParse\n布局分析] LP -- IMG[图片区域] LP -- TBL[表格区域] LP -- TXT[文本段落] end subgraph 多模态编码层 IMG --|CLIP/ViT| IV[图像向量] TXT --|Text Embedding| TV[文本向量] TBL --|表格→文本描述| TD[表格文本] TD --|Text Embedding| TBV[表格向量] end subgraph 统一检索层 IV -- MD[多向量索引br/Milvus/Qdrant] TV -- MD TBV -- MD Q[用户查询] --|Text Embedding| QV[查询向量] QV -- MD MD --|多路召回| RR[检索结果] end subgraph 上下文组织层 RR -- ORG[模态感知拼接器] ORG --|图片描述| CTX[组织后的上下文] ORG --|表格转Markdown| CTX ORG --|纯文本| CTX CTX -- LLM[多模态 LLM\n生成回答] end style PDF fill:#4A90D9,color:#fff style MD fill:#E8A838,color:#fff style LLM fill:#D9534F,color:#fff这种架构的关键洞察是用文本描述作为不同模态之间的通用货币。图片不需要直接和文本向量做相似度计算而是让图片被一个描述性的文本片段所代表。三、生产级代码实现下面的代码展示了如何构建一个多模态文档处理管道包括图片描述生成、表格提取和向量化入库。import asyncio import base64 import hashlib import logging from dataclasses import dataclass, field from enum import Enum from pathlib import Path from llama_index.core import Document, VectorStoreIndex, Settings from llama_index.core.schema import ImageDocument, TextNode from llama_index.multi_modal_llms.openai import OpenAIMultiModal from llama_index.embeddings.openai import OpenAIEmbedding from llama_index.llms.openai import OpenAI from llama_parse import LlamaParse from PIL import Image import io logger logging.getLogger(__name__) class ContentType(Enum): TEXT text IMAGE image TABLE table dataclass class MultiModalChunk: 多模态内容块——统一的数据表示。 content_type: ContentType raw_content: str embedding_text: str # 用于向量化的文本描述 metadata: dict field(default_factorydict) image_bytes: bytes | None None class MultiModalDocumentProcessor: 多模态文档处理器解析、编码、向量化入库一体化。 def __init__( self, llmNone, embed_modelNone, multimodal_llmNone, ): self.llm llm or OpenAI(modelgpt-4o-mini) self.embed_model embed_model or OpenAIEmbedding() self.multimodal_llm multimodal_llm or OpenAIMultiModal(modelgpt-4o) async def _describe_image(self, image_bytes: bytes, context: str ) - str: 用多模态 LLM 为图片生成文本描述作为桥接向量。 try: image_b64 base64.b64encode(image_bytes).decode(utf-8) prompt ( 请详细描述这张图片的内容。如果是架构图描述组件和数据流向 如果是图表描述数据趋势和关键数值如果是普通图片描述视觉内容。 ) if context: prompt f上下文{context}\n{prompt} response await self.multimodal_llm.acomplete( promptprompt, image_documents[ImageDocument(imageimage_b64)], ) description str(response).strip() logger.info(图片描述生成成功长度%d, len(description)) return description except Exception as e: logger.error(图片描述生成失败: %s, e) return f[图片描述生成失败: {type(e).__name__}] 上下文: {context} staticmethod def _describe_table(table_text: str) - str: 将表格结构化数据转为可检索的自然语言描述。 rows [r.strip() for r in table_text.strip().split(\n) if r.strip()] if len(rows) 2: return f表格内容: {table_text[:200]} header rows[0] key_values [] for row in rows[1:]: parts [p.strip() for p in row.split(|)] if len(parts) 2: key_values.append(f{parts[0]}: {, .join(parts[1:])}) return f表格标题行: {header}。数据: {; .join(key_values[:20])} async def process_document(self, file_path: str) - list[MultiModalChunk]: 处理混合文档输出多模态内容块列表。 chunks: list[MultiModalChunk] [] file_path_obj Path(file_path) if not file_path_obj.exists(): raise FileNotFoundError(f文件不存在: {file_path}) try: # 使用 LlamaParse 解析文档结构 parser LlamaParse(result_typemarkdown) documents await parser.aload_data(file_path) for doc in documents: # 处理文本部分 if doc.text and doc.text.strip(): chunks.append(MultiModalChunk( content_typeContentType.TEXT, raw_contentdoc.text, embedding_textdoc.text[:2000], metadata{source: str(file_path_obj.name)}, )) # 处理图片需要额外提取 if hasattr(doc, image_nodes) and doc.image_nodes: for img_node in doc.image_nodes: if img_node.image: description await self._describe_image( img_node.image, contextdoc.text[:500], ) chunks.append(MultiModalChunk( content_typeContentType.IMAGE, raw_contentdescription, embedding_textdescription, metadata{ source: str(file_path_obj.name), content_type: image, }, image_bytesimg_node.image, )) except FileNotFoundError: raise except Exception as e: logger.error(文档解析失败 [%s]: %s, file_path, e) raise RuntimeError(f文档解析异常: {file_path}) from e logger.info( 文档 [%s] 解析完成: 文本%d, 图片%d, 总计%d, file_path_obj.name, sum(1 for c in chunks if c.content_type ContentType.TEXT), sum(1 for c in chunks if c.content_type ContentType.IMAGE), len(chunks), ) return chunks async def index_chunks(self, chunks: list[MultiModalChunk]) - VectorStoreIndex: 将多模态内容块向量化并构建检索索引。 if not chunks: raise ValueError(内容块列表为空无法构建索引) documents [] for chunk in chunks: metadata { **chunk.metadata, content_type: chunk.content_type.value, } doc Document( textchunk.embedding_text, metadatametadata, ) documents.append(doc) try: index VectorStoreIndex.from_documents( documents, embed_modelself.embed_model, ) logger.info(多模态索引构建成功文档数%d, len(documents)) return index except Exception as e: logger.error(索引构建失败: %s, e) raise async def demo(): processor MultiModalDocumentProcessor() # 处理混合文档 try: chunks await processor.process_document(/path/to/report.pdf) for chunk in chunks: print(f[{chunk.content_type.value}] {chunk.embedding_text[:100]}...) # 构建索引 index await processor.index_chunks(chunks) # 检索测试 retriever index.as_retriever(similarity_top_k5) nodes await retriever.aretrieve(架构图中的数据流向是怎样的) for node in nodes: print(f检索命中 [{node.metadata.get(content_type)}]: {node.text[:80]}...) except FileNotFoundError as e: logger.error(文件未找到: %s, e) except Exception as e: logger.exception(多模态检索流程异常) if __name__ __main__: asyncio.run(demo())四、边界分析与架构权衡图片向量化方法的选择直接用 CLIP 编码图片向量更精确但需要额外的模型部署和向量空间对齐。用文本描述桥接虽然可能损失细节但零额外基础设施。对于大多数 RAG 场景文本桥接方案已足够。内容块粒度控制图片描述可能很长200 字纯文本段落可能很短。不同粒度的内容块在向量空间中的分布不同可能影响检索排序。建议对所有内容块做统一的最小/最大长度限制。多模态 LLM 成本每次图片描述都调用 GPT-4V 等模型成本不菲。可以对图片做缓存——相同文件名的图片第一次生成描述后存入本地缓存后续直接使用。或者使用轻量级的图片描述模型。表格语义保留复杂的嵌套表格、合并单元格等情况自动提取容易出错。对于业务关键的报表建议人工校准表格的文本描述模板。五、总结多模态 RAG 的核心洞察是文本桥接——利用 LLM 的能力把图片和表格等非文本内容转化为高质量的文本描述再统一走文本向量检索管道。这样既不需要引入复杂的跨模态向量对齐也能让不同形态的信息和谐共存于同一个检索系统中。关键投入在于文档解析链路和图片描述缓存策略。