#353.视觉智能RAG与Agent框架：突破传统限制，构建多模态AI应用

跨国串门儿计划 · Dec 9, 2025 · 1h

📝 本期播客简介

本期我们克隆了：AI Engineer Podcast

VoiceVision RAG - Integrating Visual Document Intelligence with Voice Response — Suman Debnath, AWS

本期播客中，AWS首席机器学习布道师Suman Debnath深入探讨了多模态检索增强生成（RAG）技术的最新进展，特别是针对传统RAG在处理图像密集型文档时面临的挑战。Suman详细介绍了Call Pal这一基于视觉的检索模型，它如何通过将文档页面视为图像、并利用图像分块和“延迟交互”机制来理解视觉上下文，从而实现更精准的检索。他不仅从理论层面解释了Call Pal的工作原理，包括其与视觉语言模型的关联，还通过一个详细的代码演示，展示了如何使用Call Pal与Quadrant向量数据库，并结合Strands Agent框架，构建一个能够进行视觉检索并以语音形式生成答案的智能应用。Suman强调，Call Pal并非要取代传统RAG，而是一种针对特定复杂视觉数据集的强大补充，为听众提供了关于何时以及如何有效利用这项前沿技术的实用指导。

👨‍⚕️ 本期嘉宾

Suman…