点击上方蓝字关注我们

其中可能充满大量的文本、标注、图像与各种统计图表。那么如何对这样的文档构建有效的RAG管道？本文将为您介绍我们的实现过程。实验Notebook：

https://github.com/pingcy/multimodal_ppt_rag

这里使用《中文大模型基准测评2025年3月报告》这份PPT来做测试，因为它的内容够丰富，且含有大量图表，非常适合用来回答问题。我们期望并达到的效果是，能够图文结合的回答PPT内容相关的问题。比如：

3月份中文大模型评测，通用能力水平最高的模型前五名是谁？

最后输出的答案如下：

通过对PPT相关的更多问题进行评估，效果基本达到了预期。

PPT文档（或者转成的PDF）的复杂之处在于：

• 没有固定的格式与布局

• 典型的图、文、表混排

• 相对于文本，更倾向用图表来表示信息

  
  

不过PPT文档也有一个优势：有天然的知识块分割，每一页即为一个Chunk。

所以，简单的借助开源解析工具、OCR等做文本提取，然后按普通RAG流程处理，会丢失大量的语义信息。因此我们的方案是借助多模态的视觉大模型（LVM）在索引与生成阶段双管齐下：

• 索引阶段：对每一页截图，并生成尽可能丰富的文本表示做嵌入

• 生成阶段：将检索到的文本与关联的截图一起输入大模型用于生成

需要的工具有：

• 文档解析：豆包vision模型或开启vision的LlamaParse
  

• 向量库：本地Chroma
  

• 嵌入模型：阿里云Embedding-V3
  

• 生成模型：豆包vision模型

• 框架：LlamaIndex或LangChain

  
  

这里的每一步你都可以选择替代方案。

有很多解析PDF（PPT转化成PDF）文档的开源工具，如Markitdown，Marker，PyMuPDF4LLM等。不过经过测试，面对PPT这种复杂文档，效果最好的是借助视觉大模型。比如我们用豆包的视觉模型对这一页进行生成（提示词参考源代码）：

它可以很好的提取文字，并对必要内容做整理转化：

当然在一些不清晰，或者元素过多与混乱的局部区域，会有一些误差。这也是为什么在生成时我们希望同时输出原图片来参考的原因。

在测试时为了方便，我们采用了LlamaIndex提供的云端解析服务LlamaParse（打开Vision功能，原理也是借助视觉大模型）来完成这一步。其好处是会帮你保留每一次解析结果：

并可以在后台查看详细解析输出：

Llama-Parse是收费服务，但最多可以每个月有2万免费Credit，足够测试使用。

采用视觉大模型的解析与索引的处理流程：

【流程说明】

• 原文档的每一页PPT转为图片，并借助多模态模型解析成每一页的Markdown文本（注意不是简单的文字提取）
  
  
• 【可选】借助LLM对生成的Markdown文本块做适当增强，我们做了两个动作：
• 生成该页的简单摘要
• 生成该页可以回答的5个假设性问题
  
  
• 将每一页的Markdown文本块作为一个Chunk，并根据页码与页面图片关联起来（保存图片路径在Chunk元数据）；用来在检索时能够根据Chunk找到对应图片
  
  
• 嵌入这些文本Chunks，保存到向量库。注意这里不用做分割(Split)。
  
  

• 从向量库检索关联的块，也就是前面对应到PPT页面的生成文本
• 根据这些块中的元数据(Image_path)，找到对应的页面截图
• 将文本块组装成Prompt，与找到的图片一起输入多模态模型，等待响应
• 对响应做简单转换，以Markdown格式展示最终结果

• 由于我们需要将关联的页面图片同时输入视觉模型，因此通常不能借助框架的高层抽象（比如LlamaIndex中的index.as_query_engine）来直接获得RAG引擎后查询。需要自定义一个查询过程，大致如下：

.....
lvm = DoubaoVisionLLM(model_name='你的豆包模型名字')

class MultimodalQueryEngine(CustomQueryEngine):
...

    def custom_query(self, query_str: str):
        
        #检索关联chunk（nodes）
        nodes = recursive_retrieve(query_str)
        
        #组装prompt
        context_str = "\n\n".join(
            [r.get_content(metadata_mode=MetadataMode.LLM) + f'\n以上来自图片：{r.metadata['image_path']}' for r in nodes]
        )
        fmt_prompt = self.qa_prompt.format(context_str=context_str, query_str=query_str)

        #输入提示和图片
        response = self.multi_modal_llm.generate_response(
            prompt=fmt_prompt,
            image_paths = [n.metadata["image_path"] for n in nodes]
        )
...

multi_query_engine = MultimodalQueryEngine(
    multi_modal_llm=lvm
)

• 另一个技巧是关于输出。如何让输出结果用图文结合的方式来展示呢？我们在Prompt中给予了视觉大模型提示：

...
输出格式：{{"response": #你的Markdown格式的回答#, "image_path": [#与答案最相关的图片路径#]}}
...

...
response_json = json.loads(response)
answer = response_json.get("response", "")
image_paths = response_json.get("image_path", [])
 
markdown_output = f"### 答案:\n\n{answer}\n\n### 参考来源:\n"
for image_path in image_paths:
    markdown_output += f"![Image]({image_path})\n"    

至此，对PPT构建的多模态RAG管道已经完成。我们用代码做测试：

response = multi_query_engine.query("这次评测中表现最好的开源模型有哪些？")

from IPython.display import Markdown
display(Markdown(response.response))

得到如下答案：

效果似乎还不错！

• 尽管视觉模型已经很强大，但也并非完美，在一些图片解释上会发生少量偏差
  
• 多模态模型的使用，特别是在生成阶段，响应速度相对普通LLM会下降，且对Tokens消耗更大（但并非不可接受）。
• 如果PPT的页数或文档更多，在检索时精确度会下降，特别是输入问题较为模糊时。我们提供了两个优化实现，但未做评估验证：
• 对每个页面再次分割，减小Chunk的粒度，以提高检索精度；并在检索时查找到“父块”用于生成
  
• 尝试构建了关键词表索引，可结合向量索引进行融合检索。
  
  

• 如果有大量PPT，可以借助元数据先做一次过滤
• 借助Agentic RAG回答不同类型的问题，比如总结性与细节性问题
• 测试多个向量模型与多模态模型，特别是向量模型对检索结果有较大影响
• 在实际应用中，生成的页面图片最好放在共享存储用URI访问

为了帮助LLM开发人员更系统性与更深入的学习RAG应用，特别是企业级的RAG应用场景下，当前主流的优化方法与技术实现，我们编写了《基于大模型的RAG应用开发与优化 — 构建企业级LLM应用》这本长达500页的开发与优化指南，与大家一起来深入到LLM应用开发的全新世界。

更多细节，点击链接了解