直接说做法：知识库里有大量图片（产品图、流程图、截图），想让用户能用文字问、检索到对的图——别指望直接拿图片向量去匹配文字问题，跨模态对齐没那么准。更稳的土办法是，入库前先让多模态模型给每张图生成一段文字描述（caption），把描述做 embedding 存进知识库，检索时文字对文字，召回又准又好排查。我在一个产品手册场景这么干，效果意外地好，今天讲清楚。
为什么不直接用图片向量
理论上有图文统一的向量模型，能把图片和文字映射到同一空间，照理可以直接拿用户问题去匹配图片。但我实测下来，这条路对中文问法、对内容密集的图（带文字的截图、复杂图表）经常翻车——用户问「显示登录失败的那张错误提示图」，直接跨模态检索捞回来一堆不相干的界面图。
换个思路就顺了：先把图变成文字。让多模态模型看图说话，生成一段描述，比如「一张移动端登录界面截图，红色弹窗提示账号或密码错误，底部有忘记密码链接」。把这段描述存进知识库，用户问的是文字，知识库里也是文字，同语体匹配，召回稳得多，而且哪条检索命中了，描述肉眼就能核对，排查方便。
落地三步
1. 批量给图片生成描述。
def caption_image(img_path): prompt = "用一两句话描述这张图的内容，包含图中可见的文字、关键元素和用途。" return vlm(prompt, image=img_path) # 调多模态模型看图生成描述 for img in images: desc = caption_image(img) store.add(text=desc, metadata={"img_url": img.url}) # 描述入库，图存元数据2. 描述做 embedding，存进知识库。跟普通文档一样切片向量化，元数据里挂上图片的 URL。
3. 检索时返回图。用户问题文字检索描述，命中后从元数据取出 img_url，把图连同描述一起返回给模型或用户。
描述怎么生成才好检索
这步是质量关键，我踩过坑总结几条：
让模型把图里的文字抠出来。截图、表格图里的文字往往就是用户要搜的关键词，描述里必须带上，不然检索匹配不到。
加上用途/场景。光描述「一个红色弹窗」不够，写清「登录失败错误提示」，用户才搜得到。
别让它瞎发挥。多模态模型有时会脑补图里没有的东西，我会在 prompt 里加一句「只描述确实看到的，看不清的别猜」，并且抽查一批人工核对。
检索方式 | 中文问法召回 | 可排查性 |
图片向量直接跨模态匹配 | 一般，密集图差 | 难，命中原因不透明 |
图生描述再文字检索 | 明显更好 | 好，描述可逐条核对 |
代价说清楚
不是没成本。每张图都要过一遍多模态模型生成描述，图多的话这步耗时耗钱，是个一次性的预处理工程。还有就是描述质量决定上限，模型描述得糙、漏了关键文字，那张图基本就搜不到了，得靠抽查补救。所以图特别多、又特别重要的，我会人工复核重点图的描述。
这套图文知识库我搭得不算重。智能体在一个零代码就能配 RAG 的平台上拖的，多模态模型直接挂上去给图生描述，描述和图一起进托管知识库，向量化检索平台包了。省了我自己搭多模态推理和向量库的活。但「描述 prompt 怎么写、哪些图要人工复核」这些还是得自己把关，平台给的是流水线，喂什么进去、怎么验收还得我管。
(多模态模型和 RAG 我都走讯飞星辰 MaaS，现成模型和托管知识库直接调，没自部署)
你们图片知识库是直接跨模态检索，还是也走图生描述？描述质量怎么保证的？评论区聊聊。