多模态 RAG 怎么做？

一句话速记：要么把图片/表格转成文本再走文本 RAG，要么用多模态 embedding 直接检索图像，再交给 VLM 生成。

多模态

同章节的其他八股

• RAG 的基本流程和各环节的优化点？
• 什么时候用 RAG，什么时候用微调？
• 向量检索为什么还要结合 BM25？
• Bi-Encoder 和 Cross-Encoder 有什么区别？
• 文档切块（Chunking）有哪些策略？块大小怎么选？
• GraphRAG 是什么？适合什么场景？
• RAG 系统怎么评估？
• 什么是 Agentic RAG？和普通 RAG 有什么区别？
• PDF 和表格解析有哪些难点？怎么做？
• BM25 和 TF-IDF 的区别？
• HNSW 和 IVF 索引的原理？怎么选？
• 为什么需要重排序（Rerank）？