llamaindex

# LlamaIndex - 用于 LLM 应用的数据框架 将 LLM 与您的数据连接的领先框架。 ## 何时使用 LlamaIndex **在以下情况使用 LlamaIndex：** - 构建 RAG（检索增强生成）应用 - 需要针对私有数据进行文档问答 - 从多个来源摄入数据（300+ 连接器） - 为 LLM 创建知识库 - 构建企业数据聊天机器人 - 需要从文档中提取结构化数据 **指标**： - **45,100+ GitHub stars** - **23,000+ 仓库** 使用 LlamaIndex - **300+ 数据连接器** (LlamaHub) - **1,715+ 贡献者** - **v0.14.7** (稳定版) **可替代方案**： - **LangChain**：更通用，更适合智能体 - **Haystack**：生产级搜索工作流 - **txtai**：轻量级语义搜索 - **Chroma**：仅需向量存储 ## 快速开始 ### 安装 bash # 入门包（推荐） pip install llama-index # 或最小核心 + 特定集成 pip install llama-index-core pip install llama-index-llms-openai pip install llama-index-embeddings-openai ### 5 行 RAG 示例 python from llama_index.core import VectorStoreIndex, SimpleDirectoryReader # 加载文档 documents = SimpleDirectoryReader("data").load_data() # 创建索引 index = VectorStoreIndex.from_documents(documents) # 查询 query_engine = index.as_query_engine() response = query_engine.query("作者成长过程中做了什么？") print(response) ## 核心概念 ### 1. 数据连接器 - 加载文档 python from llama_index.core import SimpleDirectoryReader, Document from llama_index.readers.web import SimpleWebPageReader from llama_index.readers.github import GithubRepositoryReader # 文件目录 documents = SimpleDirectoryReader("./data").load_data() # 网页 reader = SimpleWebPageReader() documents = reader.load_data(["https://example.com"]) # GitHub 仓库 reader = GithubRepositoryReader(owner="user", repo="repo") documents = reader.load_data(branch="main") # 手动创建文档 doc = Document( text="这是文档内容", metadata={"source": "manual", "date": "2025-01-01"} ) ### 2. 索引 - 结构化数据 python from llama_index.core import VectorStoreIndex, ListIndex, TreeIndex # 向量索引（最常用 - 语义搜索） vector_index = VectorStoreIndex.from_documents(documents) # 列表索引（顺序扫描） list_index = ListIndex.from_documents(documents) # 树索引（分层汇总）