多模态RAG实战：复杂的PPT文档如何处理？一文掌握关键技巧。

RAG应用的一大复杂性体现在其多样的原始知识结构与表示。特别在企业场景下，混合多种媒体形式且具有复杂布局的文档随处可见，比如一份PPT：

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

先看效果

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。

总体方案与工具

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。

文档解析与索引

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)。

检索与生成

检索与生成阶段的流程如下：

【流程说明】

• 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

【重点说明】

• 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

)

这里简单封装了一个豆包的视觉大模型DoubaoVisionLLM，具体参考源码。

• 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#]}}

...

然后对输出结果做简单转化：

...

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"\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！

问题与优化

在测试过程中，我们也发现一些问题与可能优化的空间，包括：

• 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。

此外，还可以考虑的一些优化有：

• 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

以上就是本次全部内容。RAG系统是典型的“三天上线，一年优化”，很多优化都需要反复的验证与评估，如果你有更好的想法，欢迎与我们分享。

文章来自于“AI大模型应用实践”，作者“曾经的毛毛”。