RAG維保案例分享：如何實現"文+圖"的答案呈現
RAG一直被看成是大模型在企業應用落地的標準配置，基于企業內部文檔的問答，已經解鎖出大量使用需求和場景。在這些眾多類型的文檔中，有相當一部分包含了各類復雜圖表，也就是所謂的多模態數據。
本篇以近期實施項目中的一個挖掘機維修場景為例，試圖給出一個針對標準化排版PDF 文檔（本文演示的固定格式維修手冊），使用基于坐標區域截取方法，結合Markdown 語法在回答中顯示圖片的示例,供大家參考。
以下，enjoy:
1、業務背景
說起挖掘機不禁讓人想到了藍翔，搜了下說是截止到 23 年年底，全國范圍的液壓挖掘機保有量在 200 萬臺左右。對于一名具體機主而言，在實際干活的過程中，可能碰到的來自發動機、電器、液壓、工作裝置等大大小小幾百個故障，這也讓專業的挖機維修需求一直很旺盛。
但對于維修人員而言，顯然有幾個一直以來的痛點沒有被很好解決，比如設備故障類型繁多，單靠個人經驗難以覆蓋所有問題。再有就是傳統老帶新的模式下，培訓帶教周期過長等。
注：維修案例示例內容
后文會介紹一個基于包含 500 多個維修案例合集，開發的挖掘機故障診斷知識庫系統，維修人員只需描述故障現象即可獲取相關案例，并支持圖文結合的答案呈現，直觀展示故障部位和維修方法。
2、系統架構
注：本項目擴展自阿里云官方的 local_rag 示例，添加了本地 PDF 圖片提取和顯示功能，
?? 支持多種文檔類型（PDF、DOCX、TXT、XLSX、CSV）的上傳和處理
??? 智能 PDF 圖片提取與顯示
?? 本地知識庫構建與管理
?? 集成阿里云通義千問系列大語言模型
?? 支持非結構化數據和結構化數據處理
?? 可自定義 RAG 參數（召回數量、相似度閾值等）
3、核心技術實現
3.1文檔處理與圖片提取
系統提供了多種 PDF 圖片提取和處理方法，以適應不同場景需求：
1. 基于坐標的區域截取（推薦方法）
針對標準化排版的文檔（如固定格式的維修手冊），使用基于坐標的精確截取：
def extract_images_from_maintenance_pdf(pdf_path, label_name):
image_mapping = {}
doc = fitz.open(pdf_path)
# 根據文檔格式定義的圖片區域坐標
image_rect = fitz.Rect(400, 160, 750, 320) # 右側中間區域
for page_index, page in enumerate(doc):
# 直接從固定區域截取圖片
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2), clip=image_rect)
if is_valid_image(pix):
# 保存和映射圖片...優勢：
對固定格式文檔效果極佳
不受 PDF 內部圖像對象表示形式限制
可以捕獲矢量圖形和復合元素
提高圖片提取的準確率和質量
2. 基于對象標記的提取（備選方法）
使用 PyMuPDF 的內置功能識別 PDF 中的圖像對象：
def extract_images_from_pdf(pdf_path, label_name):
doc = fitz.open(pdf_path)
for page in doc:
image_list = page.get_images(full=True)
for img in image_list:
# 提取和處理圖片...局限性：
僅能提取 PDF 中顯式存儲的圖像對象
無法提取矢量圖形或作為背景的圖片
可能會提取裝飾性元素或無關圖形
3. 其他優化方案
基于內容分析的智能提取：結合文本標記定位圖片
多模態 LLM 輔助：使用視覺模型輔助識別復雜文檔中的圖片
3.2圖片處理流程
3.3RAG 技術實現
分塊策略
系統針對不同類型的數據采用不同的分塊策略：
非結構化文檔：
documents = SimpleDirectoryReader(input_files=enhanced_files).load_data()
index = VectorStoreIndex.from_documents(documents)結構化數據：
nodes = []
for doc in documents:
doc_content = doc.get_content().split('\n')
for chunk in doc_content:
node = TextNode(text=chunk)
node.metadata = {'source': doc.get_doc_id()}
nodes = nodes + [node]嵌入模型
默認使用通義千問文檔嵌入模型：
EMBED_MODEL = DashScopeEmbedding(
model_name=DashScopeTextEmbeddingModels.TEXT_EMBEDDING_V2,
text_type=DashScopeTextEmbeddingType.TEXT_TYPE_DOCUMENT,
)
# 若使用本地嵌入模型，請取消以下注釋：
# from langchain_community.embeddings import ModelScopeEmbeddings
# from llama_index.embeddings.langchain import LangchainEmbedding
# embeddings = ModelScopeEmbeddings(model_id="modelscope/iic/nlp_gte_sentence-embedding_chinese-large")
# EMBED_MODEL = LangchainEmbedding(embeddings)檢索策略
采用兩階段檢索策略：
向量相似度初篩：
retriever_engine = index.as_retriever(similarity_top_k=20)
retrieve_chunk = retriever_engine.retrieve(prompt)語義重排序：
dashscope_rerank = DashScopeRerank(top_n=chunk_cnt)
results = dashscope_rerank.postprocess_nodes(retrieve_chunk, query_str=prompt)注：比較初步的檢索策略，可根據實際情況進行調整
4. 圖片鏈接處理
只保留最相關文本塊中的圖片鏈接
移除其他文本塊的圖片鏈接
使用 Markdown 語法在回答中顯示圖片
prompt_template = """請參考以下內容，僅使用第一個最相關文本塊中的圖片鏈接。
如果在第一個文本塊中看到"圖片鏈接:"，將其轉換為Markdown圖片語法。
請忽略其他文本塊中的圖片鏈接。
"""4、使用指南
4.1上傳數據
系統支持兩種文件上傳方式：臨時上傳：直接在 RAG 問答頁面上傳文件，臨時使用
創建知識庫：在"上傳數據"頁面中上傳文件，并在"創建知識庫"頁面構建永久知識庫
支持的文件類型
非結構化數據：PDF、DOCX、TXT
結構化數據：XLSX、CSV
4.2創建知識庫
進入"創建知識庫"頁面
選擇已上傳的類目或數據表
設置知識庫名稱
點擊"確認創建知識庫"
4.3RAG 問答
flowchart TD
A[用戶提問] --> B[獲取知識庫]
B --> C[檢索相關文檔]
C --> D[重排序文檔]
D --> E[構建提示詞]
E --> F[調用大語言模型]
F --> G[生成回答]
G --> H[顯示回答及圖片]5、項目結構
main.py - FastAPI 應用入口和 Gradio 界面定義
chat.py - RAG 問答核心功能和大模型調用
upload_file.py - 文件上傳和處理邏輯，包括 PDF 圖片提取
create_kb.py - 知識庫創建和管理
html_string.py - Web 界面 HTML 模板
File/ - 存放上傳的文件
VectorStore/ - 存放向量數據庫
static/images/ - 存放提取的圖片
images/ - UI 頭像圖片
6、自定義與擴展
修改嵌入模型
可以使用本地嵌入模型替代云端 API。
在create_kb.py和chat.py中取消相關注釋并安裝額外依賴。
優化提示詞模板
修改chat.py中的prompt_template變量以定制提示詞模板。
添加新的文檔類型支持
擴展upload_file.py中的處理邏輯以支持更多文件類型。
