本文深入解析了如何利用CLIP嵌入、多模式提示和工具调用等关键技术，从复杂文档中高效提取文本、表格和图形。重点介绍了CLIP模型如何通过对比学习，在共享的表示空间中比较和推理文本与图像，以及孪生网络在人脸解锁等应用中的具体实现。文章旨在帮助读者掌握多模式RAG系统的核心构建模块，提升信息提取效率。

---

• 如何从复杂文档中提取文本、表格和图形。

• 这将生成一系列图像、文本和表格：

多模式 RAG 系统的三个基本构建模块：

CLIP嵌入：	多模式提示：	工具调用：

CLIP 嵌入

CLIP（对比语言-图像预训练）是由 OpenAI 开发的一种模型，它为文本和图像创建了一个共享的表示空间。

与单独处理文本或图像的传统模型不同，CLIP 允许我们对文本和图像进行比较和推理，这使其成为检索增强生成 (RAG) 等多模态系统的关键组件。

该模型的一个关键元素是对比学习（这也反映在其名称中），因此让我们通过下面一个一般用例来了解对比学习如何工作。

Motivating task

简单的二元分类模型怎么样？

如果真实用户正在打开手机， 则输出 ； 0 否则。

最初，您可以要求用户输入面部数据来训练模型。

但这就是你发现问题的地方。

所有样本均属于“第 1 类”。

现在，您不能要求用户找人自愿提供“0 级”样品，因为这对他们来说太麻烦了。

不仅如此，你还需要多样化的“0 类”样本。仅从一两个人脸中获取样本可能不够。

您想到的下一个可能的解决方案是……

也许可以将一些负样本（0 类）发送到设备来训练模型。

可能有用。

但随后你意识到另一个问题：

如果另一个人想使用同一设备怎么办？

由于在适应过程中，所有新样本都会属于“新面孔”，如果模型忘记了第一张面孔怎么办？

选项 2）迁移学习怎么样？

这在以下情况下非常有用：

• 感兴趣的任务数据较少。
• 但相关任务拥有丰富的数据。

您认为在这种情况下它可以这样工作：

• 在某些相关任务上训练神经网络模型（基础模型）→这将在将模型传送到用户设备之前发生。
• 接下来，用未经训练的层替换基础模型的最后几层并将其发送到设备。

预计前几层已经学会识别关键的面部特征。

从那时起，对用户脸部的训练就不需要太多数据了。

但是，您再次意识到，您将遇到与二元分类模型相同的问题，因为新的层仍然围绕预测 1 或 进行设计 0 。

解决方案：使用孪生网络进行对比学习

孪生网络的核心是确定两个输入是否相似。

它通过学习将两个输入映射到共享嵌入空间（ 上面的蓝色层）来实现这一点：

• 如果嵌入之间的距离较低，则它们是相似的。
• 如果嵌入之间的距离很大，则它们是不相似的。

它们对于目标是 比较两个数据点而不是将它们分类到预定义类别/类中的任务很有用。

在我们的案例中，它的工作原理如下：

• 如果一对属于同一个人，则真实标签将为 0。
• 如果一对属于不同的人，那么真正的标签就是 1。

创建人脸对数据集：

将两个输入传递到同一个网络以生成两个嵌入。

• 如果真实标签为 0（同一个人）→最小化两个嵌入之间的距离。
• 如果真实标签为 1（不同的人）→最大化两个嵌入之间的距离。

创建此数据后，定义如下网络：

对比损失（定义如下）帮助我们训练这样的模型：

在哪里：

• y 是真正的标签。
• D 是两个嵌入之间的距离。
• margin 是一个超参数，通常大于 1。

这个特殊的损失函数的作用如下：

当 y=0（同一个人）时，损失为：

• 当 D 接近于 时 0 ，上述值将最小，导致嵌入之间的距离较小。

当 y=1 （不同的人）时，损失将是：

• 当 时，上述值将最小 D>margin ，从而导致嵌入之间的距离更大。

这样，我们可以确保：

• 当输入相似时，它们在嵌入空间中的位置更接近。
• 当输入不同时，它们在嵌入空间中的位置很远。

人脸解锁中的孪生网络

以下是它如何帮助面部解锁应用程序。

首先，您将使用对比损失在几对图像上训练模型。

01

什么是AI大模型应用开发工程师？

如果说AI大模型是蕴藏着巨大能量的“后台超级能力”，那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。

AI大模型应用开发工程师是基于AI大模型，设计开发落地业务的应用工程师。

这个职业的核心价值，在于打破技术与用户之间的壁垒，把普通人难以理解的算法逻辑、模型参数，转化为人人都能轻松操作的产品形态。

无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能，还是办公场景中的自动记账工具、会议记录用的语音转文字APP，这些看似简单的应用背后，都是应用开发工程师在默默搭建技术与需求之间的桥梁。

他们不追求创造全新的大模型，而是专注于让已有的大模型“听懂”业务需求，“学会”解决具体问题，最终形成可落地、可使用的产品。

CSDN粉丝独家福利

给大家整理了一份AI大模型全套学习资料，这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

02

AI大模型应用开发工程师的核心职责

需求分析与拆解是工作的起点，也是确保开发不偏离方向的关键。

应用开发工程师需要直接对接业务方，深入理解其核心诉求——不仅要明确“要做什么”，更要厘清“为什么要做”以及“做到什么程度算合格”。

在此基础上，他们会将模糊的业务需求拆解为具体的技术任务，明确每个环节的执行标准，并评估技术实现的可行性，同时定义清晰的核心指标，为后续开发、测试提供依据。

这一步就像建筑前的图纸设计，若出现偏差，后续所有工作都可能白费。

技术选型与适配是衔接需求与开发的核心环节。

工程师需要根据业务场景的特点，选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同，选型的合理性直接影响最终产品的表现。

同时，他们还要对行业相关数据进行预处理，通过提示词工程优化模型输出，或在必要时进行轻量化微调，让基础模型更好地适配具体业务。

此外，设计合理的上下文管理规则确保模型理解连贯需求，建立敏感信息过滤机制保障数据安全，也是这一环节的重要内容。

应用开发与对接则是将方案转化为产品的实操阶段。

工程师会利用选定的开发框架构建应用的核心功能，同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通，确保数据流转顺畅。

在这一过程中，他们还需要配合设计团队打磨前端交互界面，让技术功能以简洁易懂的方式呈现给用户，实现从技术方案到产品形态的转化。

测试与优化是保障产品质量的关键步骤。

工程师会开展全面的功能测试，找出并修复开发过程中出现的漏洞，同时针对模型的响应速度、稳定性等性能指标进行优化。

安全合规性也是测试的重点，需要确保应用符合数据保护、隐私安全等相关规定。

此外，他们还会收集用户反馈，通过调整模型参数、优化提示词等方式持续提升产品体验，让应用更贴合用户实际使用需求。

部署运维与迭代则贯穿产品的整个生命周期。

工程师会通过云服务器或私有服务器将应用部署上线，并实时监控运行状态，及时处理突发故障，确保应用稳定运行。

随着业务需求的变化，他们还需要对应用功能进行迭代更新，同时编写完善的开发文档和使用手册，为后续的维护和交接提供支持。

03

薪资情况与职业价值

市场对这一职业的高度认可，直接体现在薪资待遇上。

据猎聘最新在招岗位数据显示，AI大模型应用开发工程师的月薪最高可达60k。

在AI技术加速落地的当下，这种“技术+业务”的复合型能力尤为稀缺，让该职业成为当下极具吸引力的就业选择。

AI大模型应用开发工程师是AI技术落地的关键桥梁。

他们用专业能力将抽象的技术转化为具体的产品，让大模型的价值真正渗透到各行各业。

随着AI场景化应用的不断深化，这一职业的重要性将更加凸显，也必将吸引更多人才投身其中，推动AI技术更好地服务于社会发展。

CSDN粉丝独家福利

给大家整理了一份AI大模型全套学习资料，这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】