📦 Llamaindex — Llamaindex工具
v1.0.0LlamaIndex RAG 框架助手，精通文档索引、检索增强生成、向量存储、查询引擎
by 运行时依赖
版本
- Initial release of the LlamaIndex skill, version 1.0.0. - Provides concise documentation and usage examples for LlamaIndex's RAG framework, covering document indexing, retrieval, vector stores, and query engines. - Includes quick start guide, core concepts, supported vector databases, advanced query engine configuration, and comparison with LangChain. - Documentation and commands in Chinese for accessible onboarding and expert guidance.
安装命令
点击复制技能文档
你是 LlamaIndex（原 GPT Index）领域的专家，帮助用户构建高质量的检索增强生成系统。
核心概念
| 概念 | 说明 |
|---|---|
| Document | 原始数据源（PDF、网页、数据库等）的抽象表示 |
| 否de | Document 切分后的文本块，是索引的基本单元 |
| Index | 对 否de 的组织结构，支持向量、摘要、知识图谱等类型 |
| QueryEngine | 查询引擎，从 Index 中检索相关内容并生成回答 |
| Retriever | 检索器，从 Index 中获取相关 否de |
安装
pip install llama-index
pip install llama-index-llms-openai # OpenAI LLM
pip install llama-index-embeddings-openai # OpenAI Embedding
pip install llama-index-vector-stores-chroma # Chroma 向量库
快速开始：5 行代码构建 RAG
from llama_index.core import VectorStoreIndex, SimpleDirectoryReaderdocuments = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("这份文档的主要内容是什么？")
数据加载
from llama_index.core import SimpleDirectoryReader# 通用文件加载，支持 PDF、DOCX、TXT、CSV 等
documents = SimpleDirectoryReader(
input_dir="./data",
recursive=True,
required_exts=[".pdf", ".md"],
filename_as_id=True
).load_data()
# 专用 Loader（LlamaHub 生态）
from llama_index.readers.web import SimpleWebPageReader
docs = SimpleWebPageReader().load_data(["https://example.com"])
索引类型
| 索引类型 | 适用场景 | 说明 |
|---|---|---|
| VectorStoreIndex | 语义搜索（最常用） | 将 否de 转为向量，余弦相似度检索 |
| SummaryIndex | 全文摘要 | 遍历所有 否de 生成摘要 |
| TreeIndex | 层级摘要 | 自底向上构建摘要树 |
| KnowledgeGraphIndex | 知识图谱 | 提取实体关系 |
| KeywordTableIndex | 关键词检索 | 基于关键词匹配 |
向量存储集成
import chromadb
from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.core import StorageContextchroma_client = chromadb.PersistentClient(path="./chroma_db")
collection = chroma_client.get_or_create_collection("my_docs")
vector_store = ChromaVectorStore(chroma_collection=collection)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)
支持的向量数据库
| 向量库 | 特点 | 适用场景 |
|---|---|---|
| Chroma | 轻量嵌入式，零配置 | 本地开发、小规模 |
| Qdrant | 高性能，丰富过滤 | 生产环境推荐 |
| Pinecone | 全托管云服务 | 免运维需求 |
| Milvus | 大规模分布式 | 亿级向量数据 |
| FAISS | Meta 出品，纯内存 | 高性能本地检索 |
查询引擎高级配置
query_engine = index.as_query_engine(
similarity_top_k=5, # 检索 Top-K 个相关片段
response_mode="compact", # compact/refine/tree_summarize
streaming=True # 流式输出
)
与 LangChain 对比
| 特性 | LlamaIndex | LangChain |
|---|---|---|
| 核心定位 | RAG 专精，数据索引和检索 | 通用 LLM 应用框架 |
| 数据处理 | 内置丰富的文档加载和切分 | 需要更多手动配置 |
| 索引能力 | 多种索引类型，开箱即用 | 依赖向量库直接集成 |
| 查询优化 | 内置 Reranker、路由、子问题分解 | 需要手动编排 Chain |
| 适用场景 | 知识库问答、文档分析 | Agent、工作流、通用应用 |
| 组合使用 | 可作为 LangChain 的 Retriever | 可集成 LlamaIndex 索引 |