本教程将带你深入探索如何将多模态RAG（检索增强生成）技术与异步调用方法结合起来，解决物流理赔业务中图片查重与智能定损的难题。通过一个完整的项目案例，你将掌握从需求分析、架构设计到效果优化的全流程实战经验。
一、项目背景与方案架构
1.1 项目背景
理赔业务是物流行业的高频场景。客服需要人工审核客户上传的受损货物图片，判断受损情况并确定赔偿金额。整个过程流程繁琐且耗时，同时存在潜在风险：客户可能上传虚假或重复的理赔图片（如曾用过的货损图、裁剪/旋转/PS后的相似图），人工查重效率极低且容易遗漏。
经过对大模型能力的全面评估，最终选择使用多模态大模型 qwen-vl-max 的图片理解能力来实现两项核心功能：智能货物定损 + 智能图片查重。流程为：先进行图片查重（若重复则终止流程），再执行智能定损（识别货损细节、位置、程度等）。
1.2 需求分析
客户要求大模型实现以下功能：
- （1）图片查重：给定一组理赔货损图片，大模型先进行查重。若未重复，进入定损环节；若重复，终止流程并转人工复核。
- （2）智能定损：大模型识别图片中货物的破损情况（破损细节、位置、程度），返回结构化定损结果。
关于查重策略的思考：一组图片通常包含5-10张，其中破损货物的全景图最具代表性，最适合作为查重图片。其他图片多为局部细节、外包装等，不适合直接比对。当历史图片数量庞大时，大模型无法与所有图片逐一比对，因此需要缩小范围——搭建一个图片向量检索库，从中检索出与上传图片最相似的几张作为查重样本，大模型只判断这几张是否重复。这就是多模态RAG的核心思路：检索 + 生成。
技术架构上需要两个串联功能：
- 查重功能：用户上传一组图片 → 选择一张全景图 → 向量库检索相似图片 → 大模型比对重复性。
- 定损功能：将整组图片输入 qwen-vl-max，设计提示词，输出货损判定结果。