1. 项目概述当RAG遇上“长卷”与“视觉”最近在折腾多模态大模型应用落地的朋友估计都绕不开一个词RAG检索增强生成。传统的RAG我们处理的大多是纯文本的PDF、Word文档核心是文本的切片、向量化和检索。但现实世界里的文档尤其是那些动辄几十页、图文并茂的报告、手册、合同、学术论文远不是纯文本能概括的。一张复杂的流程图、一个关键的数据图表、一个带有标注的产品示意图其信息密度和价值可能远超周围的几段文字描述。当你的文档库里有大量这类“视觉丰富”的长文档时传统的文本RAG就显得力不从心了——它要么直接忽略图片要么只能通过图片的Alt文本如果有的话进行极其有限的检索信息丢失严重。这就是“VLD-RAG”这个项目标题直指的核心痛点。VLD即“Vision-Language Document”视觉-语言文档。这个项目探讨的是如何构建一个具备“智能体”Agentic能力的、面向长篇幅、视觉丰富多页文档的检索增强生成系统。它不是一个简单的工具升级而是一套融合了视觉理解、跨页语义关联和智能决策流程的全新架构思路。简单说它要让AI不仅能“读”懂文档里的文字还要能“看”懂里面的图表、图片并且能像一个有经验的助理一样在面对复杂问题时自主决定去哪里找检索什么、怎么看如何理解多模态内容、以及怎么答如何组织多模态信息生成最终答案。我最近在几个涉及产品手册问答和财报分析的项目中深度实践了类似VLD-RAG的思路。踩过不少坑也总结出一些可行的路径。今天我就结合这些实战经验把这个听起来很前沿的概念拆解成可落地、可复现的技术模块和实操要点希望能给正在探索多模态RAG的你一些实实在在的参考。2. 核心架构拆解从文本检索到多模态智能体传统的RAG流程是一个相对线性的管道文档加载 - 文本分割 - 向量化 - 存储 - 检索 - 生成。VLD-RAG在这个基础上引入了三个维度的根本性变革多模态感知、长文档理解和智能体决策。这三者相互交织构成了其核心架构。2.1 多模态感知让模型真正“看见”这是基础也是第一个技术门槛。目标是将文档中的视觉元素图像、图表、表格转化为机器可理解和检索的语义表示。2.1.1 视觉特征提取与描述生成你不能直接把图片的像素丢给文本向量模型。核心步骤是视觉编码使用一个视觉编码器如CLIP的ViT或DINOv2将每张图片编码成一个高维特征向量。这个向量捕获了图像的视觉语义。文本描述生成仅靠特征向量还不够我们需要一个“桥梁”将其与文本空间对齐。这里通常需要一个视觉语言模型VLM如GPT-4V、Qwen-VL或开源的LLaVA、CogVLM。它们的任务是为每一张图片/图表生成一段详细、准确的文本描述。关键点描述的质量至关重要。简单的“这是一张图表”毫无意义。描述应包含图表类型柱状图、折线图、流程图、坐标轴含义、数据趋势、图例说明、图中的关键数字和结论。例如“一张展示2023年Q1至Q4季度营收增长的折线图横轴为季度纵轴为营收单位百万美元。Q1为120Q2为135Q3为158Q4为185呈现持续上升趋势。”实操心得直接调用GPT-4V的API成本较高对于内部文档处理可以先使用开源的LLaVA进行批量描述生成再对关键或复杂的图表用GPT-4V进行复核和精修平衡成本与质量。2.1.2 多模态片段的构建这是将视觉信息“嵌入”文档结构的关键。我们不再仅仅对文本进行切片而是构建“多模态片段”。方法一关联上下文。将图片的描述文本与其在文档中出现位置的前后若干段落文本进行拼接形成一个融合了视觉描述的“增强文本片段”。这个片段会同时参与向量化。方法二独立表示联合检索。将图片的描述文本单独向量化存储但在元数据中记录其所属的页面和相邻文本片段的ID。检索时可以分别检索文本片段和图片描述然后根据相关性进行融合。注意直接使用OCR提取图片中的文字如果有的話是一个很好的补充但绝不能替代VLM生成的描述。OCR只能得到“是什么字”而VLM能理解“这表达了什么关系和信息”。2.2 长文档理解跨越页面的语义关联长文档如一份100页的技术白皮书的信息是连贯的一个概念可能在第一章引入在第五章深入并在附录的图表中总结。简单的按固定长度分割会割裂这种关联。2.2.1 层次化文档分割策略抛弃单一的“256个token一切”的粗暴方式采用混合分割策略基于语义的分割利用嵌入模型或小型语言模型在句子或段落边界检测语义变化在语义完整的单元处进行分割。这能保证单个片段的主题集中。保留结构的分割在分割时保留并嵌入文档的层次结构信息作为元数据例如{“page”: 45, “section”: “3.2.1 Performance Evaluation”, “subsection”: “Latency Comparison Chart”}。这样在检索后我们可以知道某个片段来自文档的哪个部分。重叠分割在分割点前后保留一部分重叠的文本例如50个token以减少因分割导致的关键上下文丢失。2.2.2 全局索引与局部索引局部索引即传统的片段级向量索引用于精准定位具体信息。全局索引为整个文档或每个主要章节生成一个“摘要”或“核心观点”向量。这个向量代表了更大范围的语义。当用户问题比较宏观如“这份报告的主要结论是什么”优先检索全局索引找到相关章节再引导到局部索引进行细化。2.3 智能体决策从静态管道到动态工作流这是“Agentic”一词的体现。系统不再是被动地等待问题、检索、生成答案而是具备自主规划、工具调用、迭代优化的能力。2.3.1 智能体工作流设计一个典型的VLD-RAG智能体可能包含以下“工具”或“能力”并由一个“主控”LLM如GPT-4, Claude 3来调度查询理解与重写工具分析用户原始问题判断其涉及文本还是视觉信息是否需要拆解成子问题。例如用户问“对比一下方案A和方案B的优缺点”智能体可能将其拆解为“找出描述方案A优点的文本和图表”、“找出描述方案B优点的文本和图表”、“找出对比两者的总结性段落”。多路检索工具可以同时或按顺序执行多种检索稠密向量检索在文本片段和图片描述向量库中检索。关键词检索如BM25作为补充提高召回率特别是对于专有名词。元数据过滤检索根据问题类型限定检索范围如“只在第三章的图表中找”。视觉信息解读工具当检索结果包含图片时调用VLM对原始图片而不仅仅是存储的描述进行二次、针对性的分析以回答更精细的问题。例如检索到一张图表后用户追问“图中2023年Q3的具体数值是多少”智能体会调用VLM直接“看”图提取数据。信息综合与验证工具对来自不同片段、不同页面、不同模态文本vs图片的检索结果进行去重、排序、冲突检测和证据关联。例如文本说“性能提升50%”而图表数据显示提升45%智能体需要识别这一差异并在最终回答中说明。迭代检索工具如果初步检索的结果不足以回答问题或者答案的置信度不高智能体可以基于已有信息生成新的搜索查询进行多轮检索直到满足条件。2.3.2 智能体的决策逻辑主控LLM遵循一个循环规划 - 执行工具 - 观察结果 - 再规划。它决定在何时调用何种工具如何整合工具返回的结果以及何时终止循环并生成最终答案。这个过程通常通过ReActReasoning and Acting提示框架或LangChain、LlamaIndex的Agent执行器来实现。3. 技术栈选型与实操搭建理论讲完我们来点实际的。搭建一个可用的VLD-RAG系统需要一系列工具的组合。以下是我基于当前2024年中开源生态推荐的一个高性价比技术栈。3.1 文档解析与预处理层工具Unstructured,PyMuPDF(for PDF),pdfplumber,Docling(新兴对图表定位不错)。任务不仅提取文本更要精准定位每一张图片、表格在文档中的位置和所属页面并提取出图片的原始二进制数据。Unstructured的partition_pdf函数可以返回元素的类别Title,Text,Image,Table和坐标这是后续关联图文的基础。实操步骤使用Unstructured解析PDF获取结构化的元素列表。遍历元素将连续的Text元素按语义或固定长度策略合并成分片并记录其页码、边界框。对于每个Image元素提取其原始图像数据并保存为文件如PNG格式。关键一步找到与该图片在空间上最接近的文本元素例如在同一页面内位于图片上方或下方的标题、说明文字将这些文本作为该图片的“上下文锚点”。3.2 多模态信息处理层视觉描述生成方案A高质量有成本调用OpenAIGPT-4V或 AnthropicClaude 3的API。提示词工程很重要要指定生成详细、客观、包含数据细节的描述。方案B开源可本地部署使用LLaVA或Qwen-VL-Chat。需要准备GPU资源。可以将其封装为本地API服务。虽然描述质量可能略逊于顶级商用模型但对于许多内部文档已足够且数据隐私有保障。文本嵌入模型通用文本text-embedding-3-small(OpenAI),BAAI/bge-large-zh-v1.5(中文优),intfloat/e5-base-v2。关键点用于嵌入图片描述文本的模型最好与用于嵌入普通文本片段的模型是同一个或同一系列以确保它们位于同一向量空间便于联合检索和相似度比较。3.3 存储与索引层向量数据库ChromaDB(轻量简单)Qdrant(性能好功能全)Weaviate(自带向量化模块)Milvus(适用于超大规模)。索引设计这是核心。建议在向量数据库中设计两种类型的集合Collection文本片段集合存储每个文本片段的向量由文本嵌入模型生成和元数据页码、章节、关联的图片ID等。图片描述集合存储每张图片描述文本的向量由同一个文本嵌入模型生成和元数据图片原始文件路径、所属页码、上下文锚点文本、关联的文本片段ID等。元数据至关重要必须利用好向量数据库的元数据过滤功能。为每个条目添加丰富的元数据如doc_id,page_num,content_type(text/image_desc),section_title等。这能让后续的检索更加精准。3.4 智能体与控制层框架LangChain或LlamaIndex。两者都提供了构建Agent的高级抽象。LangChain的AgentExecutor和Tool定义非常灵活。LlamaIndex在RAG原生支持上更强其AgentRunner和QueryEngineTool能很好地与索引层结合。主控LLM需要较强的推理和规划能力。推荐GPT-4-Turbo,Claude 3 Sonnet/Opus或开源的DeepSeek-V2-Chat,Qwen2.5-72B-Instruct。工具定义你需要用框架将上述的“多路检索”、“图片解读”等功能封装成一个个Tool供主控LLM调用。3.5 一个简化的搭建流程示例假设我们使用LlamaIndexQdrantLLaVA本地模型。文档解析用Unstructured处理PDF输出文本块和图片文件。描述生成将图片文件批量送入本地部署的LLaVA服务获得描述文本。构建索引创建两个Qdrant集合text_chunks和image_descriptions。用BGE嵌入模型将文本块和图片描述分别向量化存入对应集合并附上详细的元数据。使用LlamaIndex的VectorStoreIndex分别封装这两个集合创建两个QueryEngine。构建智能体将两个QueryEngine包装成QueryEngineTool一个负责查文本一个负责查图片描述。定义一个ImageAnalysisTool它接收图片路径和具体问题调用LLaVA进行针对性回答。使用OpenAIAgent或ReActAgent作为主控将这三个Tool提供给它。查询与迭代用户提问。智能体分析问题决定调用工具的顺序例如先查文本和图片描述如果发现相关图片再调用ImageAnalysisTool深挖细节整合所有结果生成最终回答。4. 核心挑战与实战避坑指南在实际搭建和调优VLD-RAG系统的过程中会遇到一系列教科书上不会提的挑战。以下是我总结的几个关键点和应对策略。4.1 多模态对齐的“语义鸿沟”问题文本嵌入模型生成的向量和图片描述文本生成的向量虽然都是文本向量但描述的“视角”不同。文本片段是原文图片描述是模型“转述”的。当用户问“找一下描述市场规模的图表”时检索“市场规模”的文本片段可能很准但检索图表的描述文本可能描述的是“一张柱状图显示2023年市场规模达1亿美元”效果未必好因为语义表达不一致。解决方案微调嵌入模型收集一批文档片段相关图片描述配对数据对文本嵌入模型进行对比学习微调让相关图文对的向量在空间里更接近。这是治本的方法但需要数据和技术投入。查询扩展与重写在检索前用LLM对用户查询进行扩展生成一系列与寻找视觉内容相关的同义或相关查询。例如将“市场规模图表”重写为“展示市场规模的柱状图”、“市场规模数据图”、“market size chart”等分别进行检索后再合并结果。混合检索与后过滤先使用BM25等稀疏检索方法在图片描述库中进行关键词匹配对“图表”、“柱状图”、“Figure”等词比较敏感召回一批候选再用向量相似度进行精排。4.2 长文档的检索效率与精度悖论问题文档很长片段很多。提高召回率检索到更多相关片段往往需要检索更多top K片段但这会引入大量噪声降低精度也增加后续LLM处理的负担和成本。解决方案层次化检索先使用“全局索引”或基于章节摘要的粗粒度检索定位到可能相关的1-3个章节。然后只在这几个章节对应的“局部索引”中进行细粒度检索。这大大缩小了搜索空间。元数据优先过滤在向量检索前先根据问题分析出的元数据条件进行强力过滤。例如如果问题中明确提到“在第三章的实验中”那么检索时直接添加filtersection_title.contains(“第三章”)或page_num between 20 and 30。这需要前期解析时打好元数据标签。重排序模型不要完全依赖向量相似度排序。在初步检索出Top N例如20个片段后使用一个专门的、更强大的交叉编码器模型如BGE-reranker对查询和这N个片段进行相关性重排选出最相关的Top K例如5个片段送入最终生成环节。重排模型能更好地理解上下文显著提升精度。4.3 智能体的幻觉与循环失控问题智能体可能错误地理解问题调用不合适的工具或者陷入“检索-不满意-再检索”的死循环消耗大量token且得不到答案。解决方案清晰的工具描述与示例在给主控LLM定义工具时必须提供极其清晰、具体的工具功能描述、输入参数格式和输出示例。这是减少误调用的基础。严格的终止条件在智能体工作流中设置明确的终止条件例如a) 已成功调用图片分析工具并获取到明确数据b) 经过最多3轮迭代c) 智能体自己判断已有足够信息生成答案。防止无限循环。验证与回退机制智能体在整合答案前可以增加一个“验证”步骤。例如让它判断从不同来源得到的信息是否一致或者答案是否直接来源于检索到的证据。如果置信度低可以触发回退比如转为更保守的“基于检索到的片段我找到以下相关信息但无法确定最终答案...”。4.4 成本与性能的权衡问题VLD-RAG涉及多次LLM调用查询理解、描述生成、智能体决策、最终生成、VLM调用和向量检索成本尤其是商用API和响应延迟可能很高。解决方案异步与批处理文档预处理阶段的图片描述生成完全可以异步、批量进行不计入实时查询链路。缓存策略对常见的查询、以及图片描述的结果进行缓存。下次遇到相同或相似的查询时直接使用缓存结果。分级模型策略智能体的“大脑”主控LLM用能力强但贵的模型如GPT-4。而一些简单的任务如初步的查询分类、部分文本的摘要生成可以用更小、更便宜的模型如Qwen2.5-7B。图片描述也可用开源VLM替代。限制检索深度精心设计检索策略避免一次检索过多片段。通常经过重排后给生成模型的上下文片段控制在5个以内为宜。5. 效果评估与迭代方向构建完系统不是终点如何评估和优化它同样重要。对于VLD-RAG评估需要多维度进行。5.1 评估指标检索相关度人工或利用LLM判断针对一个问题系统检索到的文本片段和图片是否真正相关。这是所有后续步骤的基础。答案准确性最终生成的答案在事实层面是否正确是否与源文档包括文本和图片内容一致。这是核心指标。答案完整性对于涉及多页、多模态信息的复杂问题答案是否综合了所有必要的信息源还是遗漏了关键图表或某一段落的论述。幻觉率答案中是否包含了源文档中不存在的信息。响应时间从用户提问到获得答案的总耗时。智能体效率平均每个查询需要调用多少次工具智能体规划是否合理。5.2 迭代优化方向数据驱动的嵌入模型微调收集系统运行中的“查询-相关片段”正负样本对持续微调你的文本嵌入模型让它更适应你的特定文档领域和查询风格。提示词工程优化针对查询理解、图片描述生成、智能体规划、答案综合等各个环节的提示词进行A/B测试找到最优模板。检索策略调参调整向量检索的相似度阈值、混合检索中稀疏与稠密检索的权重、重排序模型的选择等。智能体工作流重构分析失败案例看是哪个工具调用出了问题是否需要增加新的工具如一个专门用于总结多片段冲突的工具或者修改工作流逻辑。VLD-RAG代表了RAG技术向更复杂、更真实应用场景的深度演进。它不再是一个简单的问答接口而是一个能够处理现实世界复杂信息体的智能系统。实现它虽有挑战但通过合理的架构设计、务实的技术选型和持续的迭代优化完全能够构建出真正解决业务痛点的应用。我的体会是起步时不必追求大而全可以从一个具体的、视觉信息关键的文档类型如产品画册开始实现一个最小可行产品验证核心流程再逐步扩展文档范围和智能体能力。这个过程本身就是对多模态AI应用理解的一次深刻提升。