多模态 RAG 与 GPT4Vision 和 LangChain 是指一个框架，它结合了 GPT-4-Vision（OpenAI 的 GPT-4 的多模态版本，能够处理和生成文本、图像以及可能的其他数据类型）的能力与 LangChain，这是一个旨在促进使用语言模型构建应用程序的工具。以下是关键概念的分解：
多模态 RAG（检索增强生成）：
* 多模态： 这个术语指的是处理和生成多种类型数据的能力，例如文本、图像、音频等。GPT-4-Vision 是一个能够处理文本和视觉输入的多模态模型的例子。
* 检索增强生成（RAG）： RAG 是一种结合了基于检索模型（从数据库或知识库中获取相关信息）与基于生成模型（创建内容）的优点的技术。在 GPT-4-Vision 的上下文中，RAG 可用于生成丰富、信息丰富的响应，这些响应基于文本和视觉数据。GPT-4-Vision：
GPT-4-Vision 是一个能够处理文本和图像的 GPT-4 版本，使其能够回答问题、生成描述以及执行需要理解视觉内容的任务。在这里我们可以使用 gpt-4o-mini 来提取文本/表格/图像。
这种能力在视觉上下文重要的任务中尤为有用，例如分析图像、创建视觉描述或结合文本和图像数据以提供更丰富的输出。
下面的代码演示了选项 3。让我们看看这个概念如何在一些应用中实际使用，在这些应用中我们将看到文本/表格/图像的使用。以下是每个部分的详细解释的代码：
!pip install langchain unstructured[all-docs] pydantic lxml openai chromadb tiktoken pytesseract
请在您的虚拟环境中安装上述软件包。除了上述 pip 软件包外，您还需要在系统中安装 poppler （安装说明）和 tesseract （安装说明）。
from typing import Any
import os
from unstructured.partition.pdf import partition_pdf
import pytesseract
import uuid
from langchain.embeddings import OpenAIEmbeddings
from langchain.retrievers.multi_vector import MultiVectorRetriever
from langchain.schema.document import Document
from langchain.storage import InMemoryStore
from langchain.vectorstores import Chroma
import base64
from langchain.chat_models import ChatOpenAI
from langchain.schema.messages import HumanMessage, AIMessage
from dotenv import load_dotenv
from langchain.schema.runnable import RunnablePassthrough
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
# 从 .env 加载环境变量
load_dotenv()
此部分导入必要的库，并使用 dotenv 从 .env 文件加载环境变量。该文件可能包含敏感信息，例如 API 密钥，应保持私密。
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
设置 Tesseract OCR 可执行文件的路径。这使程序能够使用 OCR 从嵌入在 PDF 文档中的图像中提取文本。
input_path = os.getcwd()
output_path = os.path.join(os.getcwd(), "figures")
# 获取元素
raw_pdf_elements = partition_pdf(
filename=os.path.join(input_path, "test.pdf"),
extract_images_in_pdf=True,
infer_table_structure=True,
chunking_strategy="by_title",
max_characters=4000,
new_after_n_chars=3800,
combine_text_under_n_chars=2000,
image_output_dir_path=output_path,
)
定义输入和输出路径。input_path 是当前工作目录，output_path 是提取的 PDF 图像将被保存的位置。提取 PDF 文件中的元素，包括文本、表格和图像。参数控制文档的分块方式以及图像的存储位置。
text_elements = []
table_elements = []
image_elements = []
# 编码图像的函数
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode('utf-8')
for element in raw_pdf_elements:
if 'CompositeElement' in str(type(element)):
text_elements.append(element)
elif 'Table' in str(type(element)):
table_elements.append(element)
table_elements = [i.text for i in table_elements]
text_elements = [i.text for i in text_elements]
# 表格
print("表格元素的数量为 :", len(table_elements))
# 文本
print("文本元素的数量为 :", len(text_elements))
for image_file in os.listdir(output_path):
if image_file.endswith(('.png', '.jpg', '.jpeg')):
image_path = os.path.join(output_path, image_file)
encoded_image = encode_image(image_path)
image_elements.append(encoded_image)
# 图像
print("图像元素的数量为 :",len(image_elements))
初始化列表以存储从 PDF 中提取的不同类型的元素：文本、表格和图像。定义一个函数以 base64 格式编码图像，这使得它们可以轻松嵌入到提示中或存储。循环遍历提取的元素，将它们分类为文本和表格。每个元素的文本存储在相应的列表中。循环遍历输出目录中提取的图像，将它们编码为 base64，并存储在 image_elements 列表中。打印出每个类别（文本、表格、图像）中提取和处理的元素数量。
chain_gpt= ChatOpenAI(model="gpt-4o-mini", max_tokens=1024)
初始化 ChatOpenAI 模型的实例，用于生成文本、表格和图像的摘要。
# 文本摘要的函数
def summarize_text(text_element):
prompt = f"总结以下文本：\n\n{text_element}\n\n摘要："
response = chain_gpt.invoke([HumanMessage(content=prompt)])
return response.content
# 表格摘要的函数
def summarize_table(table_element):
prompt = f"总结以下表格：\n\n{table_element}\n\n摘要："
response = chain_gpt.invoke([HumanMessage(content=prompt)])
return response.content
# 图像摘要的函数
def summarize_image(encoded_image):
prompt = [
AIMessage(content="你是一个擅长分析图像的机器人。"),
HumanMessage(content=[
{"type": "text", "text": "描述这张图像的内容。"},
{
"type": "image_url",
"image_url": {
"url": f"data:image/jpeg;base64,{encoded_image}"
},
},
])
]
response = chain_gpt.invoke(prompt)
return response.content
定义函数以使用初始化的 ChatOpenAI 模型生成文本、表格和图像的摘要。图像摘要函数包括描述图像内容的提示。
# 初始化向量存储和存储层
vectorstore = Chroma(collection_name="summaries", embedding_function=OpenAIEmbeddings())
store = InMemoryStore()
id_key = "doc_id"
# 初始化检索器
retriever = MultiVectorRetriever(vectorstore=vectorstore, docstore=store, id_key=id_key)
初始化一个向量存储（Chroma）以存储嵌入，并初始化一个内存存储以保存原始文档。id_key 用于唯一标识文档。初始化一个 MultiVectorRetriever，用于根据查询检索相关文档。
# 将文档添加到检索器的函数
def add_documents_to_retriever(summaries, original_contents):
doc_ids = [str(uuid.uuid4()) for _ in summaries]
summary_docs = [
Document(page_content=s, metadata={id_key: doc_ids[i]})
for i, s in enumerate(summaries)
]
retriever.vectorstore.add_documents(summary_docs)
retriever.docstore.mset(list(zip(doc_ids, original_contents)))
# 添加文本摘要
add_documents_to_retriever(text_summaries, text_elements)
# 添加表格摘要
add_documents_to_retriever(table_summaries, table_elements)
# 添加图像摘要
add_documents_to_retriever(image_summaries, image_elements) # 希望很快能有真实图像
让我们测试一下如果我们给出一个问题，其中上下文涉及来自文本、图像和表格的所有信息，LLM 将如何回答。
template = """仅根据以下上下文回答问题，该上下文可以包括文本、图像和表格：
{context}
问题：{question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI(temperature=0, model="gpt-4o-mini")
chain = (
{"context": retriever, "question": RunnablePassthrough()}
| prompt
| model
| StrOutputParser()
)
print(chain.invoke(
"数据库中的图像显示了什么？展示一个包含独特名词短语和频率的图表。"))
多模态 RAG 与 GPT4Vision 和 LangChain 代表了构建先进 AI 应用程序的强大组合。通过利用 GPT-4-Vision 的多模态能力和 LangChain 提供的灵活工具，开发人员可以创建处理和生成文本和视觉内容的系统，从而导致更复杂和上下文感知的 AI 解决方案。以下是我们所涵盖的关键内容。
我们使用 Unstructured 从文档（PDF）中解析图像、文本和表格。
我们使用 multi-vector retriever 和 Chroma 来存储原始文本和图像及其摘要以供检索。
我们使用 GPT-4V（GPT-4o-mini）进行图像摘要（用于检索）以及从图像和文本（或表格）的联合审查中生成最终答案。
检索是基于与图像摘要以及文本块的相似性进行的。
