LlamaIndex 详细解析· 数据连接与 RAG 引擎（喂知识给 AI）
让 LLM 拥有外部知识，问答更准确。
LlamaIndex 就像一个超级图书管理员，帮你把各种各样的数据整理好，在你需要时快速找出最相关的内容，再交给 LLM 生成准确的答案。
1. LlamaIndex 是什么？
LlamaIndex（原名 GPT Index）是一个用于构建数据驱动型 LLM 应用的框架。 核心目标：连接各种数据源，构建索引，并提供强大的检索与生成能力。
2. 核心流程（RAG 流程）
3. 核心模块（Code Map）
支持多种数据源（文件、网页、数据库等）
将文档切分为语义相似的节点
多种索引结构组织和存储节点
根据查询从索引中检索相关文本
整合检索与 LLM 生成最终答案
将文本转换为向量表示
存储索引、文档、向量等数据
日志、调试、事件处理等
4. 数据加载（Readers 支持的数据源）
5. 索引结构（Indexes）
基于向量相似度检索（最常用）
构建层次结构，适合摘要类查询
顺序列表，结构简单直观
基于关键词匹配检索
关系图谱，复杂知识检索
6. 检索与查询（Retrieval）
返回最相关的 K 个节点
返回相似度高于阈值的节点
向量检索 + 关键词检索
使用重排模型优化结果
压缩上下文，保留关键信息
7. 查询引擎（Query Engine）
基础问答生成
子问题分解
路由器多策略
对话模式，支持多轮对话
自定义引擎，灵活扩展
8. 核心特性
- 统一接口：支持多种数据源和 LLM
- 模块化设计：可组合的组件，易于扩展
- 高效索引：多种索引结构，优化检索效果
- RAG 优化：检索增强生成，减少幻觉
- 生产就绪：支持并发、批处理、缓存等
- 生态丰富：集成主流向量数据库和工具
9. 代码示例（快速上手）
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.core.query_engine import RetrieverQueryEngine
# 1. 加载数据
reader = SimpleDirectoryReader("./data")
documents = reader.load_data()
# 2. 构建索引
index = VectorStoreIndex.from_documents(documents)
# 3. 创建查询引擎
query_engine = index.as_query_engine(similarity_top_k=3)
# 4. 查询
response = query_engine.query("LlamaIndex 是什么？")
print(response)10. 真实案例 & 开源项目
官方核心仓库（Python），含 Data Connectors、Indices、Retrievers、Query Engine 等模块全部源码。
官方 TypeScript 版，面向 Next.js / Vercel Edge / Cloudflare 的 RAG 引擎。
一行命令脚手架：Next.js + LlamaIndex 全栈 RAG 应用，官方最佳实践模板。
官方的复杂文档解析服务（PDF、表格、图片 OCR），可直接接入 LlamaIndex 管道。
100% 本地、离线的私有文档问答系统，典型的 LlamaIndex 企业私有化 RAG 案例。
Concepts → Indexing → Querying → Evaluation 全链路文档，含大量可运行 Notebook。
建议路径：先用 create-llama 跑通最小 RAG → 读 PrivateGPT 学习本地化落地 → 深入 LlamaParse 解决真实文档解析问题。