多模态RAG不止知识问答：文搜图与图搜图的四种实现方案

显示全部楼层

引言

在传统的RAG系统中，我们主要处理文本到文本的检索场景。然而，现实世界的知识库往往包含大量图片、图表等视觉信息。如何让用户通过自然语言查询找到相关图片（文搜图），或者通过一张图片找到相似图片（图搜图），成为多模态RAG需要解决的核心问题。

核心挑战

多模态检索面临的根本挑战是：如何让文本和图像在同一个语义空间中进行比较？

传统的文本Embedding模型只能处理文本，图像特征提取模型只能处理图像，两者产生的向量处于完全不同的向量空间，无法直接计算相似度。

技术演进路线

多模态RAG技术经历了从简单到复杂、从单一到融合的演进过程：

CLIP双编码器方案：通过对比学习将文本和图像映射到统一向量空间
VLM Captioning方案：利用视觉语言模型为图像生成文本描述，转化为文本检索问题
Qwen3-VL黄金架构：结合Embedding和Reranker的两阶段检索方案
Agentic RAG：引入智能Agent，根据查询意图动态选择检索策略

接下来，我们将逐一深入探讨每种方案的实现思路。

第一章：CLIP双编码器方案

1.1 CLIP模型原理

CLIP（Contrastive Language-Image Pre-training）是OpenAI在2021年发布的多模态模型，其核心思想是通过对比学习，让文本和图像在同一个512维向量空间中表示。

双编码器架构

CLIP采用双编码器架构：

文本编码器（Text Encoder）：将文本转换为512维向量
图像编码器（Image Encoder）：将图像转换为512维向量

两个编码器通过对比学习进行联合训练，使得语义相关的文本和图像在向量空间中距离更近。

对比学习训练

训练过程中，CLIP使用了4亿个图文对数据。对于每个batch：

正样本：匹配的图文对，目标是拉近它们的向量距离
负样本：不匹配的图文对，目标是推远它们的向量距离

这种训练方式使得CLIP学会了跨模态的语义对齐能力。

1.2 基于CLIP的检索实现思路

文搜图（Text-to-Image）

实现文搜图的核心流程：

离线索引阶段：

遍历图片库中的所有图片
使用CLIP的图像编码器将每张图片转换为512维向量
将向量存入向量数据库（如Milvus）

在线检索阶段：

接收用户的文本查询
使用CLIP的文本编码器将查询转换为512维向量
在向量数据库中进行相似度搜索
返回最相似的图片

图搜图（Image-to-Image）

图搜图的实现更加直接：

离线索引阶段：与文搜图相同
在线检索阶段：

接收用户上传的查询图片
使用CLIP的图像编码器将查询图片转换为向量
在向量数据库中搜索相似向量
返回最相似的图片

1.3 LlamaIndex中的MultiModalVectorStoreIndex

LlamaIndex提供了MultiModalVectorStoreIndex类，专门用于构建多模态检索系统。其核心设计思想是：

双索引架构：分别为文本和图像建立独立的向量索引
统一查询接口：通过统一的API同时检索文本和图像
灵活的Embedding配置：支持配置不同的文本和图像Embedding模型

索引构建流程

加载文档和图像数据
配置文本Embedding模型和图像Embedding模型（如CLIP）
创建MultiModalVectorStoreIndex实例
系统自动将文本和图像分别编码并存储

检索流程

创建MultiModalRetriever
输入查询（文本或图像）
系统自动选择对应的编码器处理查询
返回相关的文本节点和图像节点

1.4 向量持久化：Milvus集成

在生产环境中，向量数据需要持久化存储。Milvus是一个专门为向量检索设计的数据库，具有以下优势：

高性能：支持十亿级向量的毫秒级检索
多种索引类型：IVF_FLAT、HNSW等，可根据场景选择
分布式架构：支持水平扩展

与LlamaIndex集成

LlamaIndex提供了MilvusVectorStore类，可以无缝对接Milvus：

配置Milvus连接参数（URI、collection名称等）
创建MilvusVectorStore实例
将其作为存储后端传入MultiModalVectorStoreIndex
索引数据自动持久化到Milvus

双Collection设计

对于多模态场景，推荐使用双Collection设计：

文本Collection：存储文本向量，维度由文本Embedding模型决定
图像Collection：存储图像向量，维度为512（CLIP标准输出）

这种设计的好处是可以独立管理和优化文本与图像的检索性能。

1.5 CLIP方案的优缺点

优点

端到端简洁：无需额外的图像描述生成步骤
真正的跨模态理解：直接学习图文语义对齐
检索速度快：向量检索复杂度低

缺点

语义理解深度有限：CLIP的训练数据以简短描述为主，对复杂语义理解不足
细粒度检索能力弱：难以处理"图片中红色物体的左边是什么"这类细节查询
向量维度固定：512维可能无法充分表达复杂图像的全部信息

📦想动手实践本章内容？CLIP模型加载、Milvus向量库配置、LlamaIndex实战教程可扫码加入赋范空间咨询

第二章：VLM Captioning方案

2.1 核心思想

VLM Captioning方案采用了一种"曲线救国"的策略：既然跨模态检索困难，那就把图像转换为文本，将问题转化为成熟的文本检索问题。

基本流程

图像描述生成：使用视觉语言模型（如GPT-4o、Qwen-VL-Max）为每张图片生成详细的文本描述
文本索引构建：将生成的描述文本进行Embedding，存入向量数据库
文本检索：用户查询与图片描述进行文本相似度匹配
结果映射：将匹配的描述映射回对应的图片

2.2 VLM选择与Prompt设计

VLM模型选择

常用的视觉语言模型包括：

GPT-4o：OpenAI的多模态旗舰模型，描述质量高但成本较高
Qwen-VL-Max：阿里云的视觉语言模型，性价比较高
Claude 3.5 Sonnet：Anthropic的多模态模型，理解能力强

Prompt设计要点

生成高质量图片描述的Prompt应包含：

全面性要求：描述图片中的所有重要元素
结构化输出：按照主体、背景、细节等层次组织
语义丰富性：包含颜色、位置、动作、情感等多维度信息
检索友好性：使用用户可能搜索的关键词

2.3 混合检索：向量 + BM25

单纯的向量检索可能会遗漏一些关键词精确匹配的场景。例如，用户搜索"iPhone 15 Pro Max"，向量检索可能返回各种手机图片，但BM25关键词检索能精确匹配包含这个型号的描述。

BM25算法简介

BM25是一种经典的关键词检索算法，其核心思想是：

词频（TF）：关键词在文档中出现的次数越多，相关性越高
逆文档频率（IDF）：在越少文档中出现的词，区分度越高
文档长度归一化：避免长文档获得不公平的优势

QueryFusionRetriever

LlamaIndex提供了QueryFusionRetriever，可以融合多种检索方式：

向量检索器：基于语义相似度检索
BM25检索器：基于关键词匹配检索
RRF融合算法：使用Reciprocal Rank Fusion合并两路结果

混合检索的优势

语义理解：向量检索捕捉语义相似性
精确匹配：BM25确保关键词不被遗漏
互补增强：两种方法的优势互补，提升整体召回率

2.4 VLM Captioning方案的优缺点

优点

语义理解深度：VLM可以生成非常详细的图片描述，包含丰富的语义信息
复用成熟技术：可以直接使用成熟的文本检索技术栈
可解释性强：检索结果可以通过描述文本解释为什么匹配

缺点

信息损失：图像转文本过程中不可避免地丢失部分视觉信息
成本较高：需要为每张图片调用VLM生成描述
不支持图搜图：用户上传图片后，需要先生成描述再检索，体验不够直接

第三章：Qwen3-VL黄金架构

3.1 两阶段检索思想

前面介绍的CLIP和VLM Captioning方案各有优缺点。Qwen3-VL黄金架构结合了两者的优势，采用"粗筛 + 精排"的两阶段检索策略。

第一阶段：Embedding粗筛

使用Embedding模型快速从海量数据中召回候选集：

速度快：向量检索复杂度低
召回量大：通常召回Top-K（如100条）候选
容错性高：宁可多召回，不可漏掉相关结果

第二阶段：Reranker精排

使用Reranker模型对候选集进行精细排序：

理解深度：Reranker可以同时看到查询和候选，进行交叉注意力计算
排序精准：输出精确的相关性分数
计算量可控：只处理第一阶段召回的少量候选

3.2 Qwen3-VL Embedding

Qwen3-VL是阿里云推出的多模态大模型，其Embedding版本专门针对检索场景优化。

核心特点

原生多模态：同一个模型可以处理文本和图像
统一向量空间：文本和图像编码到同一个高维空间
指令感知：支持通过指令控制Embedding的生成方式

与LlamaIndex集成

要在LlamaIndex中使用Qwen3-VL Embedding，需要实现自定义的Embedding适配器：

继承LlamaIndex的BaseEmbedding类
实现文本编码方法：调用Qwen3-VL处理文本
实现图像编码方法：调用Qwen3-VL处理图像
确保输出向量维度一致

3.3 Qwen3-VL Reranker

Reranker是两阶段检索的关键组件，负责对候选集进行精细排序。

Reranker vs Embedding的区别

特性	Embedding	Reranker
输入	单个文本/图像	查询 + 候选对
输出	向量	相关性分数
计算方式	独立编码	交叉注意力
适用场景	大规模召回	小规模精排

实现思路

Qwen3-VL Reranker的实现需要：

将查询和候选拼接成特定格式的输入
调用Qwen3-VL模型进行推理
从模型输出中提取相关性分数
根据分数对候选进行排序

3.4 黄金架构：Embedding + Reranker

将Embedding和Reranker组合，形成完整的两阶段检索流程：

完整流程

查询处理：接收用户的文本或图像查询
Embedding编码：将查询编码为向量
向量检索：在向量数据库中检索Top-K候选（如100条）
Reranker精排：对候选集进行精细排序
结果返回：返回Top-N最相关结果（如10条）

性能与效果的平衡

召回阶段：追求高召回率，宁可多召回
精排阶段：追求高精度，确保排序准确
参数调优：K和N的选择需要根据实际场景调整

3.5 三路检索融合

为了进一步提升检索效果，可以将向量检索、BM25检索和Reranker结合，形成三路检索融合架构。

架构设计

向量检索路：基于Qwen3-VL Embedding的语义检索
BM25检索路：基于图片描述的关键词检索
融合层：使用RRF算法合并两路结果
精排层：使用Qwen3-VL Reranker对融合结果精排

自定义Milvus检索器

为了实现三路检索，需要自定义Milvus检索器：

支持同时查询文本和图像Collection
支持配置不同的检索参数
支持结果的合并与去重
与LlamaIndex的Retriever接口兼容

3.6 Qwen3-VL方案的优缺点

优点

检索质量高：两阶段架构兼顾召回率和精度
原生多模态：无需图像转文本，保留完整视觉信息
灵活可扩展：可以根据需求调整各阶段参数

缺点

系统复杂度高：需要维护多个模型和组件
计算成本较高：Reranker阶段需要额外的模型推理
部署要求高：需要GPU资源支持大模型推理

🚀进阶学习提示：Qwen3-VL黄金架构涉及自定义Embedding适配器、Reranker集成、三路检索融合等高级技术，相关实战教程和调优技巧可扫码加入赋范空间咨询

第四章：Agentic RAG

4.1 从传统RAG到Agentic RAG

传统RAG系统采用固定的检索-生成流程，无法根据查询的特点动态调整策略。Agentic RAG引入智能Agent，让系统具备自主决策能力。

传统RAG的局限

流程固定：无论什么查询都走相同的检索流程
无法迭代：一次检索不满意无法自动重试
缺乏推理：无法根据检索结果进行逻辑推理

Agentic RAG的优势

动态决策：根据查询意图选择最合适的检索策略
迭代优化：检索结果不满意时自动调整策略重试
推理能力：可以对检索结果进行分析和推理

4.2 ReAct循环

Agentic RAG的核心是ReAct（Reasoning + Acting）循环，让Agent在推理和行动之间交替进行。

ReAct循环的三个阶段

Observe（观察）：Agent观察当前状态，包括用户查询、已有的检索结果等
Think（思考）：Agent分析当前状态，决定下一步应该采取什么行动
Act（行动）：Agent执行决定的行动，如调用检索工具、生成回答等

循环终止条件

Agent认为已经收集到足够的信息
达到最大迭代次数
用户主动终止

4.3 工具设计

在Agentic RAG中，检索能力被封装为工具（Tool），供Agent调用。

多模态检索工具

针对多模态场景，可以设计以下工具：

文搜图工具：输入文本查询，返回相关图片
图搜图工具：输入图片，返回相似图片
混合检索工具：同时使用向量和BM25检索
精排工具：对候选结果进行Reranker精排

工具描述的重要性

Agent通过工具描述来理解每个工具的功能和使用场景。好的工具描述应该：

清晰说明工具的功能
明确输入输出格式
给出使用场景示例
说明与其他工具的区别

4.4 LangChain Agent实现

LangChain提供了完善的Agent框架，可以快速构建Agentic RAG系统。

核心组件

LLM：作为Agent的"大脑"，负责推理和决策
Tools：Agent可以调用的工具集合
Memory：存储对话历史和中间状态
Prompt：指导Agent行为的提示词

实现流程

定义检索工具，封装各种检索能力
配置LLM，选择合适的大语言模型
创建Agent，绑定工具和LLM
运行Agent，处理用户查询

4.5 多Agent协作

对于复杂的多模态检索场景，可以设计多个专门化的Agent协作完成任务。

Agent角色划分

路由Agent：分析查询意图，决定调用哪个专门Agent
文搜图Agent：专门处理文本到图像的检索
图搜图Agent：专门处理图像到图像的检索
问答Agent：基于检索结果生成回答

协作模式

串行模式：Agent按顺序执行，前一个的输出作为后一个的输入
并行模式：多个Agent同时执行，结果合并
层级模式：主Agent协调多个子Agent

4.6 Agentic RAG的优缺点

优点

智能化程度高：能够理解复杂查询意图
自适应能力强：可以根据情况动态调整策略
可扩展性好：通过添加工具扩展能力

缺点

延迟较高：多轮推理增加响应时间
成本较高：每次推理都需要调用LLM
可控性降低：Agent的行为不完全可预测

第五章：场景选型指南

5.1 技术方案对比

方案	文搜图	图搜图	语义理解	实现复杂度	成本
CLIP	支持	支持	中等	低	低
VLM Captioning	支持	不直接支持	高	中	中
Qwen3-VL黄金架构	支持	支持	高	高	高
Agentic RAG	支持	支持	最高	最高	最高

5.2 场景推荐

场景一：电商商品图片搜索

需求特点：

海量商品图片（百万级以上）
用户查询相对简单（如"红色连衣裙"）
对响应速度要求高

推荐方案：CLIP + Milvus

理由：

CLIP能够处理简单的商品描述查询
向量检索速度快，满足高并发需求
实现成本低，易于维护

场景二：医学影像检索

需求特点：

图片数量中等（万级到十万级）
查询涉及专业术语和复杂描述
对检索精度要求极高

推荐方案：VLM Captioning + 混合检索

理由：

VLM可以生成专业的医学描述
混合检索确保专业术语精确匹配
可解释性强，便于医生验证结果

场景三：设计素材库

需求特点：

需要同时支持文搜图和图搜图
用户可能上传参考图片寻找相似素材
对视觉相似度要求高

推荐方案：Qwen3-VL黄金架构

理由：

原生支持图搜图，无需额外处理
两阶段检索保证检索质量
Reranker提升视觉相似度排序精度

场景四：智能客服图片问答

需求特点：

用户查询复杂多变
可能需要多轮交互
需要结合图片和文本生成回答

推荐方案：Agentic RAG

理由：

Agent可以理解复杂查询意图
支持多轮交互和迭代检索
可以整合多种检索策略

5.3 渐进式演进建议

对于大多数项目，建议采用渐进式演进策略：

第一阶段：快速验证

使用CLIP + 简单向量数据库
快速搭建MVP验证业务价值
收集用户反馈和真实查询数据

第二阶段：效果优化

引入VLM Captioning增强语义理解
添加BM25混合检索提升召回率
根据数据特点调优检索参数

第三阶段：质量提升

引入Reranker提升排序精度
考虑使用Qwen3-VL等更强的多模态模型
建立评估体系持续优化

第四阶段：智能化升级

引入Agent实现智能检索
支持复杂查询和多轮交互
持续迭代优化用户体验

总结

多模态RAG技术正在快速发展，从最初的CLIP双编码器到如今的Agentic RAG，技术方案越来越丰富，能力也越来越强大。

核心要点回顾

CLIP方案：通过对比学习实现跨模态检索，简单高效，适合入门
VLM Captioning：将图像转为文本，复用成熟的文本检索技术
Qwen3-VL黄金架构：Embedding + Reranker两阶段检索，兼顾效率和精度
Agentic RAG：引入智能Agent，实现动态决策和迭代优化

技术选型原则

从简单开始：先用简单方案验证业务价值
数据驱动：根据实际数据特点选择方案
渐进演进：随着需求增长逐步升级技术栈
成本效益：在效果和成本之间找到平衡点

未来展望

随着多模态大模型的持续进步，我们可以期待：

更强的跨模态理解：模型能够理解更复杂的图文关系
更高效的检索：在保持精度的同时进一步提升速度
更智能的Agent：能够处理更复杂的多模态任务
更低的使用门槛：框架和工具链的持续完善

希望本文能够帮助读者理解多模态RAG的技术演进脉络，在实际项目中选择合适的技术方案。