LangChain / RAG / Vector DBs · レッスン

画像とテーブルを扱うマルチモーダル RAG

RAG の対象をプレーンテキストだけでなく、画像、チャート、構造化されたテーブルにも広げ、検索・推論する方法を学びます。

「画像とテーブルを扱うマルチモーダル RAG」はCoddyKit上の無料LangChain / RAG / Vector DBsレッスンです。これはレッスン4/4です。下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。これはLangChain / RAG / Vector DBs学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 LangChain / RAG / Vector DBsコースには全4レッスンが含まれています。

このレッスンの一部はまだ翻訳されておらず、英語で表示されています。

Beyond Plain Text

Real documents contain images, charts, and tables. Multimodal RAG indexes and retrieves these non-text elements so the model can answer questions that depend on them.

What Counts as Multimodal

Multimodal sources include scanned pages, diagrams, screenshots, photos, and spreadsheet-style tables embedded in PDFs or web pages.

Images
Charts and figures
Tables

Strategy 1: Describe Then Embed

Use a vision model to generate a text description of each image, then embed the description with your normal text embeddings. Retrieval stays text-based.

caption = vision_model.describe(image)
store.add_texts([caption], metadatas=[{"image": image_id}])

Strategy 2: Multimodal Embeddings

Models like CLIP embed images and text into the same vector space, so a text query can directly match an image without a caption step.

Handling Tables

Tables lose meaning when flattened. Preserve structure by converting each table to Markdown or HTML before chunking so rows and headers stay linked.

table_md = "| Year | Revenue |\n|---|---|\n| 2024 | 10M |\n| 2025 | 12M |"
store.add_texts([table_md], metadatas=[{"type": "table"}])

Summarizing Large Tables

For wide or long tables, store both a natural-language summary (for retrieval) and the raw table (for the answer), linking them by id.

Routing by Modality

At query time, detect what the question needs. A request about a chart should retrieve image elements; a numeric lookup should target tables.

Passing Images to the LLM

Multimodal LLMs accept images directly in the prompt. After retrieving the relevant image, include it alongside the question for grounded reasoning.

messages = [{"role": "user", "content": [
    {"type": "text", "text": "What trend does this chart show?"},
    {"type": "image_url", "image_url": {"url": img_url}},
]}]

Citing Visual Sources

Track which image or table produced an answer in metadata, so you can show the user the exact figure or table the model relied on.

Cost and Latency

Vision calls and image embeddings cost more than text. Cache captions, downscale images, and only invoke vision when the query truly needs it.

Putting It Together

Extract images and tables during loading, index them via captions or multimodal embeddings, route queries by modality, and feed the right element to a multimodal LLM.

Quick Check

Test your understanding of multimodal RAG.

Recap

You extended RAG to multiple modalities:

Describe-then-embed or multimodal embeddings for images
Preserve table structure as Markdown
Route queries by modality
Feed images to a multimodal LLM and cite visual sources

よくある質問

「画像とテーブルを扱うマルチモーダル RAG」レッスンは無料ですか？

はい。「画像とテーブルを扱うマルチモーダル RAG」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、LangChain / RAG / Vector DBsコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 LangChain / RAG / Vector DBsコースには全4レッスンが含まれています。

「画像とテーブルを扱うマルチモーダル RAG」で何を学びますか？

RAG の対象をプレーンテキストだけでなく、画像、チャート、構造化されたテーブルにも広げ、検索・推論する方法を学びます。ブラウザで直接実行するハンズオンコードでLangChain / RAG / Vector DBsを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

LangChain / RAG / Vector DBsを始めるのに経験は必要ですか？

事前経験は必要ありません。CoddyKitのLangChain / RAG / Vector DBsは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。これはレッスン4/4です。

「画像とテーブルを扱うマルチモーダル RAG」レッスンにはどのくらい時間がかかりますか？

ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このLangChain / RAG / Vector DBsレッスンでコードを書いて実行できますか？

はい。すべてのLangChain / RAG / Vector DBsレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

← LangChain / RAG / Vector DBsに戻る