- 博客(1115)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 LlamaIndex 系列【41】数据连接器：LlamaParse、LiteParse
数据连接器（也称为Reader读取器）用于从不同数据源、不同数据格式中读取数据，并将其转换为统一的Document文档对象（包含文本与基础元数据）。
2026-09-29 10:23:13
199
原创 LlamaIndex 系列【40】存储组件：文档存储（Document Stores）
默认情况下，SimpleDocumentStore 在内存中存储Node对象。你可以调用docstore.persist()将数据持久化到磁盘；也可以通过SimpleDocumentStore.from_persist_path(...)从磁盘加载数据。
2026-09-28 17:00:47
189
原创 LlamaIndex 系列【39】存储组件：对话存储（Chat Stores）
对话存储提供统一接口来存放对话历史。对话历史与其他存储格式不同：消息顺序对完整会话至关重要
2026-09-28 15:42:37
64
原创 LlamaIndex 系列【38】存储组件：向量存储（Vector stores）
向量存储用于存放已摄取文档分片的嵌入向量（部分向量存储也会直接保存文档分片本身）。
2026-09-28 15:19:06
180
原创 LlamaIndex 系列【37】结构化输出（Structured Outputs）：进阶案例
structured_predict 是 LLM 基类的格式化问答函数，给一个 Pydantic 类和一个提示词模板，返回填充好的 Pydantic 实例。
2026-09-28 11:33:29
258
原创 LlamaIndex 系列【36】结构化输出（Structured Outputs）：入门案例
LlamaIndex 提供了多类组件来支持大模型生成结构化输出。默认的大模型封装类自带结构化输出能力，同时还提供了底层工具模块。
2026-09-28 11:31:07
301
原创 LlamaIndex 系列【35】节点后处理器（Node Postprocessor）
节点后处理器（NodePostprocessor）是 RAG 流程里检索之后、生成之前的一个处理环节：拿到检索器返回的 NodeWithScore 列表，对它做过滤、重排、改写元数据等二次加工，再把整理好的节点交给 LLM 生成答案。
2026-09-20 16:15:50
266
原创 LlamaIndex 系列【34】响应合成模式
TreeSummarize 换了个拓扑：把节点归并成满窗口的组，每组各自汇总，摘要再归并、再汇总，自底向上直到树根，根节点的输出就是最终回答。
2026-09-20 15:05:06
585
原创 LlamaIndex 系列【33】响应合成器（Response Synthesizer）
在 RAG 链路里，检索器拿到相关文档片段 (Node) 之后，把【用户问题 + 检索出来的多段文本】交给大模型，组织、合并、生成最终回答的这一整套逻辑，就叫响应合成。
2026-09-20 15:03:25
142
原创 LlamaIndex 系列【32】检索增强策略：自问自答（Self Ask）
Self-Ask 是一种多步推理 RAG/Agent 策略：大模型不直接回答用户原始问题，而是自己不断向自己提出子问题，逐个检索外部工具获取子问题答案，把问答记录保存到推理历史，直到信息足够，再输出最终答案。
2026-09-20 15:01:29
316
原创 LlamaIndex 系列【31】检索增强策略：命名实体识别（NER）
命名实体识别（Named Entity Recognition）用于识别查询语句内特定类型的信息并进行分类，以此实现更精准的检索与筛选策略。
2026-09-18 14:16:09
120
原创 LlamaIndex 系列【30】检索增强策略：子问题（Sub-Questions）
把一个复杂、多条件、多意图的原始大问题，拆解成多个独立、简单、单一维度的小问题，这些拆分后的小问题就是 Sub-Questions。
2026-09-18 11:41:34
278
原创 LlamaIndex 系列【29】检索增强策略：路由（Routing）机制
路由（Routing）是查询进来时的智能分发器，先判断这个问题属于哪类，再把它送到最合适的那个数据源/引擎去处理。它回答的问题是去哪问，而不是怎么问（那是查询重写）或拆成几个问（那是子问题）。
2026-09-18 11:25:33
338
原创 LlamaIndex 系列【28】检索增强策略：查询重写（Query Rewriting）
查询重写（Query Rewriting）是 RAG 检索流程中前置的核心优化策略，指在执行文档检索前，对用户原始输入的 Query 进行规范化加工、重构与拓展，生成更适配知识库、更贴合检索逻辑的新查询。
2026-09-18 10:01:09
267
原创 LlamaIndex 系列【27】检索增强策略：查询转换（Query Transformations）
RAG 增强策略不是一个精确的技术术语，而是一切能让 RAG 变好的手段的统称。
2026-09-18 10:00:34
298
原创 AgentScope Java 2.x 系列【44】 Agent 运行、管理与编排平台：AgentScope Service
AgentScope Service 作为面向智能体应用的运行、管理与编排平台，能够把独立 Agent 或是多 Agent 协作的业务流程，打包成可供外部调用、全程可追踪的标准化服务。
2026-09-15 15:55:25
480
原创 AgentScope Java 2.x 系列【43】v2.0.1 → v2.0.3 版本发布总览
AgentScope‑Java 2.0.0 于 7 月正式 GA，开启高密度迭代，专职团队按需快速发版，特性与缺陷修复同步推进，迭代闭环短，活跃度高；现阶段属于高速打磨期，底层能力持续演进。
2026-09-15 13:56:16
235
原创 LlamaIndex 系列【26】检索增强策略：重排序（Reranking）
在初始检索完成后，向量检索、关键词检索或混合检索会根据相似度快速返回一批候选文档，但这个原始排序仅依靠粗粒度向量/词匹配，容易出现语义误判、相关文档排名靠后的问题。
2026-09-11 10:04:13
88
原创 LlamaIndex 系列【25】检索增强策略：ColBERT（延迟交互检索）
ColBERT (Contextualized Late Interaction Over BERT) 即基于 BERT 的延迟交互检索模型，它是一种介于 Bi-Encoder 和 Cross-Encoder 之间的折衷方案，旨在平衡检索速度与匹配精度。
2026-09-11 10:02:24
191
原创 LlamaIndex 系列【24】检索增强策略：交叉编码器（Cross‑Encoder）
双编码器（Bi‑Encoder）就是有两个独立的编码器，分别把Query（查询） 和 Document Chunk（文档片段）各自独立编码成稠密向量（Embedding），再用余弦相似度计算两者匹配分数。
2026-09-10 19:48:11
366
原创 LlamaIndex 系列【23】检索增强策略：元数据过滤（Metadata Filtering）
元数据过滤（ Metadata Filtering）是在检索时，先用节点上附加的结构化属性做硬性筛选，只保留符合条件的那部分节点，然后再在剩下的节点里做向量/BM25 打分排序。
2026-09-10 10:43:06
114
原创 LlamaIndex 系列【22】检索增强策略：混合检索（Hybrid Search）
混合检索（ Hybrid Search ）是最常用的增强技术方案，它通过「稀疏关键词检索 + 稠密向量检索」双路召回，再经过分数归一化与排名融合算法，同时兼顾精准命中与语义理解能力。
2026-09-10 09:56:47
205
原创 LlamaIndex 系列【21】语义检索（Semantic Search）
语义检索，是不局限于文字表面的词汇匹配，去理解用户查询和文档内在含义、意图，基于语义相似度完成内容召回的检索方式。
2026-09-05 10:20:53
361
原创 LlamaIndex 系列【20】关键词检索（Keyword Search）：BM 25 算法
BM25 是生产环境标准关键词检索算法，ElasticSearch 默认的关键字检索算法是就是 BM25（Best Matching 25），从 5.x 版本开始取代了早期的 TF-IDF，成为默认的相关性评分算法。
2026-09-05 09:17:41
396
原创 LlamaIndex 系列【19】关键词检索（Keyword Search）：关键词表索引
关键词表索引是离线构建「关键词到文本节点」的倒排字典，查询通过关键词精确匹配召回文档、按命中词数排序的轻量检索结构。
2026-09-04 10:46:41
350
原创 LlamaIndex 系列【18】关键词检索（Keyword Search）：TF-IDF 算法
关键词检索（Keyword Search）属于信息检索 技术的基础方法之一，是一种通过输入关键字获取文档信息的查询方式。
2026-09-03 19:58:23
852
原创 LlamaIndex 系列【17】检索器（Retriever）
在 RAG 检索增强生成体系中，检索模块是整个链路的基石，其核心目标是从海量知识库中精准召回和用户问题相关的文档片段。
2026-09-03 17:23:28
219
原创 LlamaIndex 系列【16】查询引擎（Query Engine）
查询引擎接收自然语言问题，并返回内容详实的回答。它通常（但并非必须）依托一个或多个索引，借助检索器构建。你可以组合多个查询引擎，实现更复杂的能力。
2026-09-03 16:40:05
409
原创 LlamaIndex 系列【15】对话引擎（Chat Engine）
对话引擎是面向基于自有数据进行多轮对话的高层接口（支持来回多轮交互，而非单次问答）。你可以理解为接入了自有知识库的 ChatGPT。
2026-09-03 15:43:56
195
原创 LlamaIndex 系列【14】数据接入流水线（IngestionPipeline）
数据接入流水线（IngestionPipeline）是指 LlamaIndex 中专门用来把原始文档变成可检索 Node 的一站式处理链路。里面每一步处理单元叫做转换组件 （Transformations），例如：文档切分器、元数据提取器、Embedding 向量化器都属于转换组件。
2026-09-03 15:04:59
183
原创 LlamaIndex 系列【13】索引存储：SimpleIndexStore
LlamaIndex 提供高层接口，用于接入、构建索引以及查询外部数据。底层上，LlamaIndex 同时支持可替换的存储组件。
2026-09-03 14:57:44
276
原创 LlamaIndex 系列【12】向量存储索引（VectorStoreIndex）
VectorStoreIndex 是目前使用最广泛的索引类型。向量存储索引会将文档拆分为多个节点，接着为每个节点的文本生成向量嵌入（vector embeddings），供大模型后续查询使用。
2026-08-28 13:30:07
386
原创 LlamaIndex 系列【11】索引（Index）和索引构建（Indexing）
索引（Index）是面向查询场景、可快速匹配上下文信息的数据结构，是构成 LlamaIndex 检索增强生成（RAG）框架的核心基础。
2026-08-27 19:37:02
254
原创 LlamaIndex 系列【10】RAG 核心对象：Node（节点/分片）
Node 代表源 Document 的一个分片，可以是文本片段、图片或者其他形式。和 Document 类似，Node 同样携带元数据，以及和其他节点的关联信息。
2026-08-26 10:54:30
416
原创 LlamaIndex 系列【9】RAG 核心对象：Document（文档）
Document 是任意数据源的通用容器，例如 PDF 文件、API 返回结果、数据库查询得到的数据。文档既可以手动构造，也可以通过数据加载器自动生成。
2026-08-26 09:45:22
462
原创 LlamaIndex 系列【8】RAG Reader（读取器）快速入门
在上一篇文档中，我们了解了 RAG 的五大阶段，其中数据加载是整个流水线的入口。数据加载环节负责把外部多样化的原始资料，转换为 LlamaIndex 体系统一的 Document 文档对象，后续的文档切分、向量化、索引构建、检索问答全部依赖这一步的输出质量。
2026-08-25 14:53:07
252
原创 LlamaIndex 系列【7】RAG Data Loading（数据加载）
Loading（数据加载） 是 LLM 应用流水线的起点，负责对接各类异构数据源，将外部原始数据导入业务流程，支持文本文件、PDF 文档、网页内容、业务数据库、第三方 API 接口等多种数据来源。
2026-08-25 10:40:15
311
原创 LlamaIndex 系列【6】智能体开发：函数调用型智能体（FunctionAgent）
智能体配备一组工具，工具可以是任意自定义函数，也可以是完整的 LlamaIndex 查询引擎；智能体会挑选最合适的工具完成每一步操作。每一步执行完毕后，智能体会判断任务是否完成：若已完成，则向用户返回结果；若未完成，则回到流程起点，继续执行下一步。
2026-08-24 23:25:11
327
原创 LlamaIndex 系列【5】智能体开发：大语言模型接入与基础调用
LlamaIndex 为大模型应用开发提供了从基础模型调用、RAG 知识库搭建、智能体开发到高阶工作流定制、落地优化的全链路解决方案，模块化、标准化的开发模式，极大降低了企业级 AI 应用的开发门槛。
2026-08-22 22:29:33
321
原创 LlamaIndex 系列【4】入门案例（阿里云百炼适配）
LlamaIndex 的顶层目标是构建各类上下文增强型大模型应用，涵盖问答、文档提取、智能体、事件驱动工作流等场景。理解这套顶层设计，才能跳出 Demo，设计出可落地的生产级应用。
2026-08-21 20:26:20
182
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人