# How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python

- 发布方：MachineLearningMastery.com；作者：Vinod Chugani
- 形式：实践教程 · en
- 原始资源：[https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/](<https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/>)
- 本站页面：[https://oplearnx.com/resources/res\_ajj6xbsmhean](<https://oplearnx.com/resources/res_ajj6xbsmhean>)
- 学习主题：人工智能 / 检索增强 RAG；人工智能 / 多模态；人工智能 / 检索增强 RAG / 向量检索与重排
- 内容状态：状态待核验
- 原始发布时间：未知（待核验）
- 本站首次收录：2026-10-22 00:00

## 能学到什么

能独立搭建一个从复杂 PDF 中同时检索文字与图像、并交由 GPT-4o 生成有依据回答的多模态 RAG 流水线。

- 用 unstructured 的 partition\_pdf\(\) 把 PDF 解析为文字块、表格和图像等元素
- 把解析结果拆分为文本列表与图像文件路径列表
- 调用 GPT-4o 为每张提取出的图像生成可用于检索的文字摘要
- 把文字块与图像摘要存入多向量检索库（如 Chroma）
- 用同时包含文本块和原始图像的多模态提示查询流水线并得到最终回答
- 评估每张图索引时调用 GPT-4o 的成本，并在必要时过滤无用图像

## 适合我吗

- 适合：适合已有 Python 基础、想动手实现多模态检索增强生成的学习者，教程按 parse、summarize、store、retrieve 四阶段给出完整代码。
- 需要留意：不适合完全没写过 Python 或想系统学习 RAG 理论的学习者；也不适合无法使用 OpenAI API 的人。

## 前置条件与费用

- 知识前置：需要会写 Python，了解 RAG 基本概念，并能使用 pip 安装包和在系统上安装 poppler-utils。
- 软件、账号与硬件：Python 环境、OpenAI API 密钥、可用的 PDF 报表文件（如文中示例 report.pdf）。
- 内容费用：免费：节选直接给出了教程主要步骤与代码，未出现付费墙或登录拦截；页面的 eBooks、免费速成课入口属站点推广，不影响本资源费用。
- 实践费用：实践需要付费：教程写明需要 OpenAI API 密钥，每张提取图像在索引时都会触发一次 GPT-4o API 调用，实际运行需支付 API 费用。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- Python 与 pip：安装依赖并运行教程代码
- [OpenAI API](<https://platform.openai.com/docs/overview>)：用 GPT-4o 生成图像摘要与最终回答，需 API 密钥
- [unstructured](<https://docs.unstructured.io/>)：解析 PDF，分离文本、表格与图像
- [LangChain](<https://www.langchain.com/>)：组织多模态 RAG 流程
- [Chroma](<https://www.trychroma.com/>)：作为多向量检索的存储后端

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：用自己的一份含表格与图表的 PDF 走完整流程，观察图像摘要质量与 API 调用次数，必要时按教程建议过滤图标类无用图像以控制成本。
课节（官方顺序）：
1. How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python：https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/

1. 环境
- Python 3 与 pip
- 系统依赖 poppler-utils
- 环境变量 OPENAI_API_KEY
- 含图表的 PDF 文件
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/
3. 目录（最外层放在我确认的位置）
multimodal-rag-images-documents-python/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-how-to-build-a-multi/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import langchain, unstructured, chromadb, PIL; print('ok')"  → 输出 ok，无导入错误
  - pdftoppm -v  → 显示 poppler 版本信息
  - 运行 Step 1 代码后查看 ./extracted_images 目录  → 目录存在且含提取出的图像文件，控制台打印文本块与图像数量
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：用自己的一份含表格与图表的 PDF 走完整流程，观察图像摘要质量与 API 调用次数，必要时按教程建议过滤图标类无用图像以控制成本。
课节（官方顺序）：
1. How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python：https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/

1. 环境
- Python 3 与 pip
- 系统依赖 poppler-utils
- 环境变量 OPENAI_API_KEY
- 含图表的 PDF 文件
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/
3. 目录（最外层放在我确认的位置）
multimodal-rag-images-documents-python/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-how-to-build-a-multi/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import langchain, unstructured, chromadb, PIL; print('ok')"  → 输出 ok，无导入错误
  - pdftoppm -v  → 显示 poppler 版本信息
  - 运行 Step 1 代码后查看 ./extracted_images 目录  → 目录存在且含提取出的图像文件，控制台打印文本块与图像数量
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：用自己的一份含表格与图表的 PDF 走完整流程，观察图像摘要质量与 API 调用次数，必要时按教程建议过滤图标类无用图像以控制成本。
课节（官方顺序）：
1. How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python：https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/

1. 环境
- Python 3 与 pip
- 系统依赖 poppler-utils
- 环境变量 OPENAI_API_KEY
- 含图表的 PDF 文件
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/
3. 目录（最外层放在我确认的位置）
multimodal-rag-images-documents-python/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-how-to-build-a-multi/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import langchain, unstructured, chromadb, PIL; print('ok')"  → 输出 ok，无导入错误
  - pdftoppm -v  → 显示 poppler 版本信息
  - 运行 Step 1 代码后查看 ./extracted_images 目录  → 目录存在且含提取出的图像文件，控制台打印文本块与图像数量
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python」。课程目录是 multimodal-rag-images-documents-python/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [How to Build a Multi-Modal RAG Pipeline for Images and Documents in Python](<https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/>)

## 指南参考

- [课程主页](<https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：OpenAI API 密钥（用于 GPT-4o 图像摘要与最终问答）；GPT-4o API 调用费用，每张提取图像在索引时调用一次；Python 包 langchain、langchain-openai、unstructured\[pdf\]、chromadb、pillow，以及系统依赖 poppler-utils；含嵌入图表的 PDF 文档（文中示例为 report.pdf）
- 转载与修改 · 课程页面与材料：未找到明确许可。节选未出现任何许可协议声明，仅页脚有隐私、免责、条款等站点链接 [依据](<https://machinelearningmastery.com/how-to-build-a-multi-modal-rag-pipeline-for-images-and-documents-in-python/>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）