多模态RAG的4种模式简单实践及RAG切分的开源工具Chonkie

摘要：昨天，我们回顾了多模态RAG的一些理论方法，分为两类，一种是解析式文档多模态RAG(将一个文档切分为页面，然后再用版式识别的方式对文档进行各种模态元素进行分割、解析、提取，然后再嵌入、检索）；另一种是DocVQA式文档多模态RAG(将文档切分为页面图像，不再细

文章转自公众号老刘说NLP

昨天，我们回顾了多模态RAG的一些理论方法，分为两类，一种是解析式文档多模态RAG(将一个文档切分为页面，然后再用版式识别的方式对文档进行各种模态元素进行分割、解析、提取，然后再嵌入、检索）；另一种是DocVQA式文档多模态RAG(将文档切分为页面图像，不再细分，然后根据页面图像级别进行检索，类似于docvqa)，而纸上得来终觉浅，绝知此事要躬行，我们来讲讲几个多模态RAG的四个简单动手实践脚本。

另一个是关于RAG切分的开源工具Chonkie，对于RAG切分不熟悉的，可以跑一跑看看。

坚持，总是会有收获的。

一、多模态RAG的四个简单动手实践脚本

至于动手环节，目前已经有一些可以实践的项目，如https://github.com/kyryl-opens-ml/vision-retrieval、Byaldi(https://github.com/AnswerDotAI/byaldi)、colpali(https://github.com/illuin-tech/colpali)

而作为一个汇总，我们可以看《Vision Augmented Retrieval and Generation》(https://github.com/adithya-s-k/VARAG)项目，可以用来练手，支持四种模式，其中的.py文件为执行脚本。‍‍

1、Simple RAG (with OCR,https://github.com/adithya-s-k/VARAG/blob/main/examples/textDemo.py)，通过Docling集成了OCR，使扫描的PDF或图像能够处理和索引。文本提取和索引后，查询可以与文档中的相关段落相匹配，适合扫描书籍、合同和研究论文等文本。

2、Vision RAG(https://github.com/adithya-s-k/VARAG/blob/main/examples/visionDemo.py)，通过结合视觉信息的检索来扩展传统的RAG技术，弥合文本和图像之间的差距。使用强大的跨模态嵌入模型，如JinaCLIP（由Jina AI开发的CLIP的变体），文本和图像都被编码为共享矢量空间。这允许跨不同模态之间进行相似性搜索，图像可以与文本一起查询。

3、ColPali RAG(https://github.com/adithya-s-k/VARAG/blob/main/examples/colpaliDemo.py)，通过将文档页面直接嵌入为图像，而不是将其转换为文本。从昨天的文章中，我们知道，这种方式传统的检索piepline，利用了视觉语言模型（VLM）PaliGemma，该模型将整个文档页面编码为嵌入，将页面布局和视觉元素视为检索过程的一部分。使用受ColBERT（列BERT）启发的后期交互机制，ColPali RAG通过在用户查询和文档补丁之间启用令牌级匹配来增强检索。因为传统的基于文本的检索方法很困难。这种方法确保了高检索精度，同时保持了合理的索引和查询速度，对视觉效果丰富的文档特别有益，如信息图表、表格和复杂的布局，

4、Hybrid ColPali RAG(https://github.com/adithya-s-k/VARAG/blob/main/examples/hybridColpaliDemo.py)，通过结合图像嵌入和ColPali的后期交互机制的优势，进一步提高检索性能。首先使用图像嵌入（例如，从JinaCLIP等模型）执行粗略的检索步骤，以检索前k的相关文档页面。然后，使用ColPali后期交互机制对这k页进行重新排名，以根据视觉和文本信息识别最相关的页面集合。

二、关于RAG切分的开源工具Chonkie

RAG切分的方式，其实我们已经讲过很多了，但对于小白而言，可以有更多选择，例如Chonkie(https://github.com/bhavnicksm/chonkie，https://pypi.org/project/chonkie/)，提供了几种方式的封装调用：

First import the chunker you want from Chonkie
from chonkie import TokenChunker

# Import your favorite tokenizer library
# Also supports AutoTokenizers, TikToken and AutoTikTokenizer
from tokenizers import Tokenizer
tokenizer = Tokenizer.from_pretrained("gpt2")

# Initialize the chunker
chunker = TokenChunker(tokenizer)

# Chunk some text
chunks = chunker("Woah! Chonkie, the chunking library is so cool!"
"I love the tiny hippo hehe.")

# Access chunks
for chunk in chunks:
print(f"Chunk: {chunk.text}")
print(f"Tokens: {chunk.token_count}")

1）TokenChunker：Splits text into fixed-size token chunks；

2）WordChunker: Splits text into chunks based on words；

3）SentenceChunker: Splits text into chunks based on sentences；

4）SemanticChunker: Splits text into chunks based on semantic similarity；

5）SDPMChunker: Splits text using a Semantic Double-Pass Merge approach共5种切分方式，再想详细参考细节，可以看https://github.com/bhavnicksm/chonkie/blob/main/DOCS.md，

当然，也有一些对比结论：https://github.com/bhavnicksm/chonkie/blob/main/benchmarks/README.md，跟其他切分组件(如LangChain、LlamaIndex)的对比，如下：