面试题 · 多模态
什么是多模态RAG（Retrieval-Augmented Generation）？请对比其与传统文本RAG在检索和生成阶段的关键差异，说明多模态RAG面临的主要技术挑战，并列举典型的实现方式与应用场景。
传统RAG只检索和生成文本，多模态RAG将检索范围扩展到图像、视频、音频、表格等异构数据，让大模型能基于多源证据进行推理和生成。
| 阶段 | 传统文本RAG | 多模态RAG |
|---|---|---|
| 检索 | 文本Embedding（BERT/Sentence-BERT）→ 相似度匹配 | 跨模态统一嵌入（如CLIP视觉-语言对齐）→ 任意模态query检索任意模态doc |
按学习路线查看教程、项目和面试题。
| 纯文本上下文输入LLM |
| 多模态编码器（如ViT+LLM连接器）将图像/视频转为token序列，与文本拼接输入 |
核心变化：检索侧打破模态壁垒，生成侧让LLM"看懂"多模态内容。
实现方式：
应用场景：
建议先掌握传统RAG和多模态基础概念，再结合论文与开源项目理解跨模态对齐、联合表示等关键技术，注重实际案例分析。
场景切入
我看你简历上做过电商客服。假设用户发来一张商品瑕疵图，你希望系统能同时检索到类似案例图和相关解决方案文本，然后结合生成回答。这种场景下，传统只检索文本的RAG就不好使了，你打算怎么设计？
层层追问
你平时用的RAG都是检索文本吧？……那如果用户query是张图片，或者文档里有图表、视频，你怎么检索？……生成阶段呢，模型只认文本，怎么让它看懂图像内容？……这些环节各有什么难点？
直球架构
解释下多模态RAG的核心概念，并对比传统文本RAG在检索和生成阶段的关键差异。然后说说主要技术挑战，最后举一个实现方式和一个应用场景。
这道题其实是在问，当[[RAG]]要处理的不只是文字，还有图片、视频、音频这些非文本数据时，整个系统该怎么设计。本质上是把RAG从纯文本的舒适区拉出来，让它能理解[[多模态]]信息。
先讲核心差异。传统RAG的检索阶段，就是把用户query和文档库都转成文本向量，然后做相似度匹配。但多模态RAG不一样，它的query可能是图片，文档库也可能是视频。所以检索的关键变成了跨模态对齐，比如用[[CLIP]]这样的模型把图像和文本映射到同一个向量空间，这样你拿一张图去搜，也能搜到相关的文字描述。生成阶段也一样，传统RAG只把检索到的文本拼给大模型，多模态RAG需要把图片、视频帧也转成token序列，和文本一起喂给模型，让模型真正“看懂”这些内容。
这里有个坑，就是模态对齐很难完美。举个例子，一张产品瑕疵图，如果光搜图，可能搜到一堆相似外观但没问题的图片，但加上文字描述“划痕”才能精准定位。所以实际落地时，我倾向于用[[Hybrid Search]]，把文本和视觉特征结合起来检索，而不是只靠单一模态。
技术挑战主要有三个。第一是数据处理，图片要[[OCR]]或目标检测，视频要抽关键帧，预处理链路很重。第二就是刚才说的模态对齐，图文语义可能不对齐，比如一张产品图配的文案是营销话术，直接拼接会引入噪声。第三是上下文长度，一帧高清图可能顶几百个token，多帧视频更夸张，容易触发[[KV Cache]]瓶颈。
业务场景很典型。比如电商客服，用户上传一张商品破损的照片，系统能检索到类似案例的图片和解决方案文本，然后生成回复，比纯文本RAG准确得多。医疗诊断也是，CT影像加病历文本一起检索，辅助医生写报告。工业质检里，视频流的关键帧检索可以快速定位历史故障记录。
不过这类系统落地有个前提：数据质量必须够高。如果图片模糊、标注不准，模态对齐会崩，生成结果反而更差。所以我做项目时，会先花精力做数据清洗和模态对齐的评估，而不是一上来就搭检索框架。
最后说我的判断。我会把多模态RAG看成传统RAG的扩展，而不是替代。如果业务场景里80%的query是纯文本，那传统RAG加一个图片解析模块就够了，没必要上全模态。只有当query和文档都是多模态时，才值得投入跨模态对齐。所以我会先评估业务的数据分布和query类型，再决定用哪种方案。