LlamaIndex中的配置设置
在LlamaIndex的工作流程/应用程序中,配置设置(Settings)是一组在索引和查询阶段常用的资源。你可以使用它来设置全局配置。局部配置(如转换、LLMs、嵌入模型)可以直接传递给使用它们的接口。
Settings是一个简单的单例对象,它在整个应用程序中存在。每当某个组件未提供时,Settings对象会用作全局默认值。
以下是可以配置在Settings对象上的属性:
LLM
LLM用于响应提示和查询,并负责编写自然语言响应。
from llama_index.llms.openai import OpenAI
from llama_index.core import Settings
Settings.llm = OpenAI(model="gpt-3.5-turbo", temperature=0.1)
嵌入模型
嵌入模型用于将文本转换为数值表示,用于计算相似性和top-k检索。
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core import Settings
Settings.embed_model = OpenAIEmbedding(
model="text-embedding-3-small", embed_batch_size=100
)
节点解析器 / 文本分割器
节点解析器 / 文本分割器用于将文档解析为更小的块,称为节点。
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core import Settings
Settings.text_splitter = SentenceSplitter(chunk_size=1024)
如果你只想更改块大小或块重叠而不改变默认分割器,这也是可能的:
Settings.chunk_size = 512
Settings.chunk_overlap = 20
转换
转换在摄取文档期间应用。默认情况下,使用node_parser/text_splitter,但可以覆盖并进一步自定义。
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core import Settings
Settings.transformations = [SentenceSplitter(chunk_size=1024)]
分词器
分词器用于计数标记。这应设置为与你使用的LLM相匹配的东西。
from llama_index.core import Settings
# openai
import tiktoken
Settings.tokenizer = tiktoken.encoding_for_model("gpt-3.5-turbo").encode
# 开源
from transformers import AutoTokenizer
Settings.tokenzier = AutoTokenizer.from_pretrained(
"mistralai/Mixtral-8x7B-Instruct-v0.1"
)
回调
你可以设置一个全局回调管理器,用于观察和消费在整个llama-index代码中生成的事件。
from llama_index.core.callbacks import TokenCountingHandler, CallbackManager
from llama_index.core import Settings
token_counter = TokenCountingHandler()
Settings.callback_manager = CallbackManager([token_counter])
提示助手参数
一些特定的参数/值在查询期间使用,以确保输入到LLM的提示有足够的空间生成一定数量的标记。
通常这些是使用LLM的属性自动配置的,但在特殊情况下可以覆盖。
from llama_index.core import Settings
# LLM的最大输入大小
Settings.context_window = 4096
# 保留用于文本生成的标记数量
Settings.num_output = 256
提示
学习如何配置特定模块:
- LLM
- 嵌入模型
- 节点解析器/文本分割器
- 回调
设置局部配置
使用特定部分设置的接口也可以接受局部覆盖。
index = VectorStoreIndex.from_documents(
documents, embed_model=embed_model, transformations=transformations
)
query_engine = index.as_query_engine(llm=llm)
通过这些配置选项,你可以灵活地调整LlamaIndex的行为,以满足你的具体需求。无论是全局设置还是局部覆盖,LlamaIndex都提供了强大的工具来优化你的应用程序。