首个Nano-banana企业级多模态RAG教程，适合电商、游戏场景

最近全球刷屏Nano Banana，应该没有人还没用过吧？！

它不仅能根据一句话描述，就生成栩栩如生的手办图片，还能根据用户的描述，对图片进行精细化编辑，就连速度，也快得出奇。

（指令：为马斯克换帽子和裙子。可以看到右图所有要素除了稍微漏了裤边之外，融合还算不错，甚至还贴心考虑到了穿裙子需要把短袖扎进去的细节，整个生成耗时仅16.0s。）

可以说，作为当下最优秀的生图模型，Nano Banana在一致性以及精细度上，已经做到了符合企业级生产标准。

比如，我们服务的一家集抽卡、换装于一体的娱乐公司，最近正在开发一个功能，通过接入Nano Banana，实现用户上传照片后，可以自由从素材库中选择喜欢的配饰、道具进行换装打扮。

一些电商客户，也在考虑用AI为模特换装、换发型、换配饰，实现一次拍摄，永久使用。

从这两个案例中，我们不难发现，对很多企业级用户来说，仅有一个不错的生图模型还不够。他们还需要足够聪明的检索，从海量历史素材中，找到最合适的服装、配饰、以及其他人物元素。

也就是说，用户需要的是一个集向量数据库+图片生成模型的多模态RAG系统。

那么，如何用Nano Banana+Milvus向量数据库，搭建这样一套生产级的多模态RAG系统？本文将给出手把手教程。

对一些快消品公司以及游戏娱乐公司来说，用AI生图最大的问题不在于生成，而在于历史素材过多，但这些素材都是图像、音频、视频这样的非结构化数据。常规方法下，我们无法对其进行精准的检索召回。

因此，在这一步，我们需要先搭建一个完善的以文搜图系统。

我们可以使用 CLIP 模型将图像和文本转为向量，然后将向量存储到 Milvus 数据库，最后通过 Milvus 向量数据库进行高效的相似性搜索（用户通过文字描述即可搜索图片，并返回 top 3 结果）。

以下是具体教程：

1. 安装依赖包

# 安装必要的包%pip install --upgrade pymilvus pillow matplotlib%pip install git+https://github.com/openai/CLIP.git

1. 导入必要的库

import osimport clipimport torchfrom PIL import Imageimport matplotlib.pyplot as pltfrom pymilvus import MilvusClientfrom glob import globimport mathprint("所有库导入成功！")

1. 初始化Milvus客户端

# 初始化 Milvus 客户端milvus_client = MilvusClient(uri="http://localhost:19530",token="root:Miluvs")print("Milvus 客户端初始化成功！")

1. 加载CLIP模型

# 加载 CLIP 模型model_name = "ViT-B/32"device = "cuda" if torch.cuda.is_available() else "cpu"model, preprocess = clip.load(model_name, device=device)model.eval()print(f"CLIP 模型 '{model_name}' 加载成功，运行设备: {device}")print(f"模型输入分辨率: {model.visual.input_resolution}")print(f"上下文长度: {model.context_length}")print(f"词汇表大小: {model.vocab_size}")

1. 定义特征提取函数

def encode_image(image_path):    """将图像编码为归一化的特征向量"""    try:        image = preprocess(Image.open(image_path)).unsqueeze(0).to(device)        with torch.no_grad():            image_features = model.encode_image(image)            image_features /= image_features.norm(dim=-1, keepdim=True)  # 归一化        return image_features.squeeze().cpu().tolist()    except Exception as e:        print(f"处理图像 {image_path} 时出错: {e}")        return Nonedef encode_text(text):    """将文本编码为归一化的特征向量"""    text_tokens = clip.tokenize([text]).to(device)    with torch.no_grad():        text_features = model.encode_text(text_tokens)        text_features /= text_features.norm(dim=-1, keepdim=True)  # 归一化    return text_features.squeeze().cpu().tolist()print("特征提取函数定义成功！")

1. 创建Milvus集合

collection_name = "production_image_collection"# 如果集合已存在，删除它if milvus_client.has_collection(collection_name):    milvus_client.drop_collection(collection_name)    print(f"已删除现有集合: {collection_name}")# 创建新集合milvus_client.create_collection(    collection_name=collection_name,    dimension=512,  # CLIP ViT-B/32 的嵌入维度    auto_id=True,   # 自动生成 ID    enable_dynamic_field=True,  # 启用动态字段    metric_type="COSINE"  # 使用余弦相似度)print(f"集合 '{collection_name}' 创建成功！")print(f"集合信息: {milvus_client.describe_collection(collection_name)}")

1. 处理并插入图像

# 设置图像目录路径image_dir = "./production_image"raw_data = []# 获取所有支持的图像格式image_extensions = ['*.jpg', '*.jpeg', '*.png', '*.JPEG', '*.JPG', '*.PNG']image_paths = []for ext in image_extensions:    image_paths.extend(glob(os.path.join(image_dir, ext)))print(f"在 {image_dir} 中找到 {len(image_paths)} 张图像")# 处理图像并生成嵌入successful_count = 0for i, image_path in enumerate(image_paths):    print(f"处理进度: {i+1}/{len(image_paths)} - {os.path.basename(image_path)}")    image_embedding = encode_image(image_path)    if image_embedding is not None:        image_dict = {            "vector": image_embedding,            "filepath": image_path,            "filename": os.path.basename(image_path)        }        raw_data.append(image_dict)        successful_count += 1print(f"成功处理 {successful_count} 张图像")

1. 将数据插入Milvus

# 将数据插入 Milvusif raw_data:    print("正在将数据插入 Milvus...")    insert_result = milvus_client.insert(collection_name=collection_name, data=raw_data)    print(f"成功插入 {insert_result['insert_count']} 张图像到 Milvus")    print(f"插入的 ID 示例: {insert_result['ids'][:5]}...")  # 显示前5个IDelse:    print("没有成功处理的图像数据可插入")

1. 定义搜索和可视化函数

def search_images_by_text(query_text, top_k=3):    """根据文本查询搜索图像"""    print(f"搜索查询: '{query_text}'")    # 编码查询文本    query_embedding = encode_text(query_text)    # 在 Milvus 中搜索    search_results = milvus_client.search(        collection_name=collection_name,        data=[query_embedding],        limit=top_k,        output_fields=["filepath", "filename"]    )    return search_results[0]def visualize_search_results(query_text, results):    """可视化搜索结果"""    num_images = len(results)    if num_images == 0:        print("没有找到匹配的图像")        return    # 创建子图    fig, axes = plt.subplots(1, num_images, figsize=(5*num_images, 5))    fig.suptitle(f'搜索结果: "{query_text}" (Top {num_images})', fontsize=16, fontweight='bold')    # 处理单个图像的情况    if num_images == 1:        axes = [axes]    # 显示图像    for i, result in enumerate(results):        try:            img_path = result['entity']['filepath']            filename = result['entity']['filename']            score = result['distance']            # 加载并显示图像            img = Image.open(img_path)            axes[i].imshow(img)            axes[i].set_title(f"{filename}\n相似度: {score:.3f}", fontsize=10)            axes[i].axis('off')            print(f"{i+1}. 文件: {filename}, 相似度分数: {score:.4f}")        except Exception as e:            axes[i].text(0.5, 0.5, f'加载图像出错\n{str(e)}',                         ha='center', va='center', transform=axes[i].transAxes)            axes[i].axis('off')    plt.tight_layout()    plt.show()print("搜索和可视化函数定义成功！")10.执行文本搜索图像

# 示例搜索 1query1 = "a golden watch"results1 = search_images_by_text(query1, top_k=3)visualize_search_results(query1, results1)

安装Google SDK

%pip install google-generativeai%pip install requestsprint("Google Generative AI SDK 安装完成！")配置Gemini API

import google.generativeai as genaifrom PIL import Imagefrom io import BytesIOgenai.configure(api_key="<your_api_key>")

生成新图像

prompt = (    "An European male model wearing a suit, carrying a gold watch.")image = Image.open("/path/to/image/watch.jpg")model = genai.GenerativeModel('gemini-2.5-flash-image-preview')response = model.generate_content([prompt, image])for part in response.candidates[0].content.parts:    if part.text is not None:        print(part.text)    elif part.inline_data is not None:        image = Image.open(BytesIO(part.inline_data.data))        image.save("generated_image.png")        image.show()

除了上文展示的场景，我们不妨把脑洞再放大，比如某品牌发布了很多新品，又不想重新找模特进行拍摄，就可以靠Nano-banana直接搞定宣传图

Prompt: A model is wearing these products on the beach

除了简单场景，我们也能实现一些天马行空的，随意叠加的场景，物品，人物。

Prompt: A model is posing and leaning against a blue convertible sports car. She is wearing a halter top dress and the accompanying accessories. She is adorned with a diamond necklace and a blue watch, wearing high heels on her feet and holding a labubu pendant in her hand.

最后就是最常见的手办原型制作，比如我们最近想做一些可爱的手办，就可以先让nano banana先来代劳。

Prompt: Use the nano-banana model to create a 1/7 scale commercialized figure of thecharacter in the illustration, in a realistic styie and environment.Place the figure on a computer desk, using a circular transparent acrylic base

without any text.On the computer screen, display the ZBrush modeling process of the figure.Next to the computer screen, place a BANDAl-style toy packaging box printedwith the original artwork.

整体测评下来，我们发现Nano-banana完全担得起当下最强AI生图模型的称号。不仅做到了高一致性、微调的可控性，甚至能兼顾到水中倒影，产品模型图与实物图、包装logo图需要统一的魔鬼细节。

但Nano-banana并非完美无缺，在一些非常专业的场景中，依然会出现复杂指令理解失误或者光影不科学的小问题。我们可以考虑在提示词外，给AI一些想要的风格参考，或者对光源来源、光影效果给出具体描述，这样可以事半功倍哦。