06.2 - LlamaIndex 实践指南

定位: 专注 RAG 数据层的框架——LlamaIndex 的索引系统、查询引擎与高级 RAG 模式 面试高频度: ⭐⭐⭐ 考查方式: LlamaIndex 数据模型、索引类型、查询引擎

一、这是什么？为什么需要它？

是什么

LlamaIndex 是一个专注于 RAG 数据层的框架，提供了一整套数据索引和查询工具。相比 LangChain 的"通用 LLM 框架"定位，LlamaIndex 更聚焦于"如何高效地索引和检索数据"。

LangChain 视角：RAG 是 LLM 应用的一种
  Chain -> Agent -> Tool -> RAG
  RAG 是众多功能之一

LlamaIndex 视角：RAG 是数据管理的一种方式
  Ingestion -> Indexing -> Retrieval -> Query Engine
  RAG 就是全部功能

为什么使用 LlamaIndex？

1. 丰富的数据连接器：75+ 数据源支持
2. 多种索引类型：向量索引、摘要索引、树索引、关键词索引
3. 强大的查询引擎：自动路由、多步推理
4. 结构化+RAG：支持与 SQL/Graph 结合
5. 与 LangChain 互补：可用作 LangChain 的"数据层"

二、原理拆解

2.1 LlamaIndex 核心概念

Document（原始文档）
  -> Node（文档块，基本信息单元）
    -> Index（索引结构）
      -> Retriever（检索器）
        -> Query Engine（查询引擎）

概念	说明	对应 LangChain
Document	原始文档（PDF/网页/API）	Document
Node	文档块（含 metadata 和关系）	Document 分块后
Index	文档块的索引结构	VectorStore
Retriever	从 Index 检索的方法	Retriever
Query Engine	检索 + 生成的端到端组件	Chain
Chat Engine	多轮对话引擎	Conversation Chain

2.2 索引类型对比

LlamaIndex 提供多种索引类型，适用于不同场景：

from llama_index.core import (
    VectorStoreIndex,
    SummaryIndex,
    TreeIndex,
    KeywordTableIndex,
    KnowledgeGraphIndex,
)

# 向量索引（最常用）
index = VectorStoreIndex.from_documents(documents)
# 适合：语义搜索、开放域问答

# 摘要索引
index = SummaryIndex.from_documents(documents)
# 适合：需要对整篇文档做摘要

# 树索引
index = TreeIndex.from_documents(documents)
# 适合：分层检索（类似 RAPTOR）

# 关键词索引
index = KeywordTableIndex.from_documents(documents)
# 适合：精确关键词匹配

# 知识图谱索引
index = KnowledgeGraphIndex.from_documents(documents)
# 适合：实体关系查询

索引类型	检索方式	适合	不适合
VectorStoreIndex	语义相似度	开放问答、语义搜索	精确匹配
SummaryIndex	摘要+回溯	文档总结	具体事实
TreeIndex	层次化	结构文档	碎片文档
KeywordTableIndex	关键词	专有名词	语义模糊
KnowledgeGraphIndex	图遍历	关系推理	简单问答

2.3 LlamaIndex RAG 完整示例

# 安装：pip install llama-index-core llama-index-readers-file

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI

# 1. 加载文档
documents = SimpleDirectoryReader("./documents").load_data()

# 2. 分块配置
parser = SentenceSplitter(chunk_size=512, chunk_overlap=100)
nodes = parser.get_nodes_from_documents(documents)

# 3. 创建索引
index = VectorStoreIndex(
    nodes=nodes,
    embed_model=OpenAIEmbedding(),
)

# 4. 创建查询引擎
query_engine = index.as_query_engine(
    llm=OpenAI(model="gpt-4o-mini"),
    similarity_top_k=5,
)

# 5. 查询
response = query_engine.query("公司年假政策是什么？")
print(response)

2.4 高级查询引擎

# Router Query Engine：根据查询类型自动路由

from llama_index.core.query_engine import RouterQueryEngine
from llama_index.core.tools import QueryEngineTool

# 不同的查询引擎
vector_tool = QueryEngineTool.from_defaults(
    query_engine=vector_index.as_query_engine(),
    description="语义搜索，适合一般问答"
)
summary_tool = QueryEngineTool.from_defaults(
    query_engine=summary_index.as_query_engine(),
    description="文档总结，适合概述类问题"
)

# 路由引擎
router_engine = RouterQueryEngine.from_defaults(
    query_engine_tools=[vector_tool, summary_tool],
    select_multi=True,  # 可同时选多个引擎
)

# 自动路由
response = router_engine.query("公司的年假制度概述")

三、图解全景

LlamaIndex 架构

+------------------------------------------------------------------+
|                    LlamaIndex 架构                                |
|                                                                   |
|  数据摄入层                                                       |
|  SimpleDirectoryReader / 75+ Data Connectors                      |
|  -> Document -> Node Parser -> Node                               |
|                                                                   |
|  索引层                                                          |
|  VectorStoreIndex / SummaryIndex / TreeIndex / KG Index           |
|  + Index 管理（插入/更新/删除）                                    |
|                                                                   |
|  检索层                                                          |
|  Retriever: Vector/Single/Keyword/BM25/Ensemble                   |
|  + Postprocessor: Reranker / SimilarityFilter / TimeWeight        |
|                                                                   |
|  查询引擎层                                                       |
|  Query Engine: Retriever + Response Synthesis                     |
|  Chat Engine: 多轮对话 + Memory                                   |
|  Router Engine: 智能路由 + 多引擎组合                              |
|                                                                   |
|  应用层                                                          |
|  Agent + Tool / API / 自定义应用                                   |
+------------------------------------------------------------------+

四、面试视角

问题	答案要点
LlamaIndex 相比 LangChain 的核心优势？	专注 RAG 数据层，索引类型丰富（向量/摘要/树/图/关键词），查询引擎自动路由，RAG 模式更深入。在纯 RAG 场景上体验优于 LangChain
LlamaIndex 的多种索引分别在什么场景用？	VectorIndex：通用语义搜索；SummaryIndex：文档摘要；TreeIndex：层次化文档；KeywordTableIndex：专有名词精确匹配；KGIndex：关系推理
LlamaIndex 和 LangChain 可以一起用吗？	可以。常见组合：LlamaIndex 负责数据索引和检索（作为"数据层"），LangChain 负责 Agent 编排和工具调用（作为"逻辑层"）
LlamaIndex 的 Router Query Engine 解决了什么问题？	自动根据查询类型选择合适的检索策略。比如"总结年假制度"走摘要索引，"年假几天"走向量索引。不需要手动判断和切换

📚 相关链接

• **LangChain实践指南** — 另一主流框架
• **评估指标详解** — RAG 评估指标配合 LlamaIndex
• **GraphRAG** — LlamaIndex 的 KnowledgeGraphIndex
• <- 返回 **工程化索引**