LlamaIndex 是领先的开发框架，专为结合大型语言模型（LLM）与个性化工作流打造高效的数据驱动型智能代理而设计。一般我们用它来做RAG检索增强生成。

（1）RAG的介绍

        大型语言模型（LLM）虽然在海量数据上进行了训练，但通常并未基于自己的特定数据进行学习。为了解决这一问题，检索增强生成（Retrieval-Augmented Generation，RAG）技术通过将您的数据整合到 LLM 已有的知识中，实现对模型输入的个性化增强。

在构建大多数大型应用时，RAG通常包含五个核心阶段。这些阶段构成了整个流程的基础：

1. 数据加载（Loading）
        这是将数据从原始来源导入工作流程的过程。无论数据存储在文本文件、PDF、网页、数据库还是通过 API 提供，LlamaIndex 都提供了丰富的工具来完成这一任务。LlamaHub 更是提供了数百种现成的数据连接器，便于快速集成各类数据源。

2. 索引构建（Indexing）
        索引阶段的目的是创建一种高效的数据结构，以便后续查询使用。对于 LLM 应用而言，这通常涉及将数据转化为语义向量（vector embeddings），并结合多种元数据策略，从而实现对上下文相关数据的快速准确检索。

3.数据存储（Storage）
        一旦数据被索引，通常需要将索引结果及相关的元数据持久化存储下来，以避免重复执行耗时的索引过程。LlamaIndex 支持多种本地和远程存储方式，确保数据可复用且易于管理。

4. 查询处理（Querying）
        针对不同的索引策略，您可以采用多种方式进行查询操作。LlamaIndex 提供了灵活的查询接口，支持子查询、多步骤查询、混合检索策略等，帮助您充分利用 LLM 和底层数据结构的能力。

5. 效果评估（Evaluation）
        在任何系统中，评估都是不可或缺的一环。它可以帮助您客观地衡量不同策略的效果，或在进行更改后评估其影响。通过评估机制，您可以量化查询响应的准确性、信息忠实度以及响应速度，从而持续优化系统性能。

（2）LlamaIndex如何实现RAG？

① 加载HF模型

        使用 LlamaIndex 中的 HuggingFaceLLM 类来加载一个本地的大规模语言模型（LLM），并利用它来进行对话是必须要掌握的技能。

from llama_index.core.llms import ChatMessage
from llama_index.llms.huggingface import HuggingFaceLLM#使用HuggingFaceLLM加载本地大模型
llm = HuggingFaceLLM(model_name="/home/Qwen/Qwen1.5-1.8B-Chat",tokenizer_name="/home/Qwen/Qwen1.5-1.8B-Chat",model_kwargs={"trust_remote_code":True},tokenizer_kwargs={"trust_remote_code":True}
)
#调用模型chat引擎得到回复
rsp = llm.chat(messages=[ChatMessage(content="llamaindex是什么？")])print(rsp)

② 数据连接器

         数据连接器的作用是将不同数据源的数据提取到LlamaIndex中，最简单易用的阅读器是内置的 SimpleDirectoryReader。它可以遍历指定目录中的所有文件，并为每个文件创建对应的文档对象。该阅读器原生集成于 LlamaIndex 中，支持多种文件格式，包括 Markdown、PDF、Word 文档、ppt、图像、音频以及视频等。

from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core import Settings,SimpleDirectoryReader,VectorStoreIndex
from llama_index.llms.huggingface import HuggingFaceLLM# 初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
embed_model = HuggingFaceEmbedding(#指定了一个预训练的sentence-transformer模型的路径model_name="/home/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
)# 将创建的嵌入模型赋值给全局设置的embed_model属性，这样在后续的索引构建过程中，就会使用这个模型
Settings.embed_model = embed_model# 使用HuggingFaceLLM加载本地大模型
llm = HuggingFaceLLM(model_name="/home/Qwen/Qwen1.5-1.8B-Chat",tokenizer_name="/home/Qwen/Qwen1.5-1.8B-Chat",model_kwargs={"trust_remote_code": True},tokenizer_kwargs={"trust_remote_code": True}
)# 设置全局的llm属性，这样在索引查询时会使用这个模型。
Settings.llm = llm# 从指定目录读取文档，将数据加载到内存
documents = SimpleDirectoryReader("/home/data").load_data()
# print(documents)# 创建一个VectorStoreIndex,并使用之前加载的文档来构建向量索引
# 此索引将文档转换为向量，并存储这些向量（内存）以便于快速检索
index = VectorStoreIndex.from_documents(documents)# 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
query_engine = index.as_query_engine()
rsp = query_engine.query("llamaindex是什么？")
print(rsp)