多模态RAG：文本之外的图像表格音频检索与融合图文、表格、音频，如何构建多模态检索增强系统？本节基于《AI工程》第6章「RAG and Agents」— RAG Beyond Texts：多模态RAG（图像、表格、音频检索与融合）。一、什么是多模态 RAG？Chip Huyen 在《AI工程》第6章将RAG Beyond Texts列为 RAG 的扩展方向。传统 RAG 基于纯文本。多模态 RAG 支持图像、表格、音频等，实现跨模态检索与生成。企业文档、产品图、会议录音等非文本数据，可通过多模态 RAG 纳入知识增强。二、模态类型与挑战《AI工程》指出，不同模态有不同挑战与方案：模态挑战典型方案图像需视觉编码CLIP、多模态 LLM表格结构复杂表格转文本、结构化抽取音频需语音识别ASR → 文本 → 检索视频时序 + 多模态帧抽取 + 文本/图像三、图文 RAG3.1 架构