58 摘要索引（Summary Index）的检索器模式

在 LlamaIndex 中，摘要索引（Summary Index）提供了三种不同的检索器模式：default、embedding 和 llm。每种模式在数据检索的方式和依赖的技术上有所不同，下面我们将详细介绍它们的不同之处。

SummaryIndexRetriever（default）

SummaryIndexRetriever 是默认的检索器模式。它主要依赖于预先计算的摘要信息来检索数据。具体来说，它会根据索引中存储的摘要信息来查找最相关的文档或片段。这种方式的优点是速度快，因为它不需要实时计算，但缺点是可能无法捕捉到最新的数据变化。

summary_retriever_default = summary_index.as_retriever(retriever_mode="default")

SummaryIndexEmbeddingRetriever（embedding）

SummaryIndexEmbeddingRetriever 使用嵌入（embedding）技术来进行检索。嵌入是一种将文本转换为向量表示的技术，通过计算查询向量与文档向量之间的相似度来找到最相关的文档。这种方式的优点是可以捕捉到语义上的相似性，但缺点是计算开销较大，尤其是在处理大规模数据时。

summary_retriever_embedding = summary_index.as_retriever(retriever_mode="embedding")

SummaryIndexLLMRetriever（llm）

SummaryIndexLLMRetriever 使用大型语言模型（LLM）来进行检索。它会将查询和文档都输入到 LLM 中，让模型判断哪些文档最相关。这种方式的优点是可以处理复杂的查询和文档，捕捉到更深层次的语义关系，但缺点是计算开销非常大，且依赖于强大的 LLM 模型。

summary_retriever_llm = summary_index.as_retriever(retriever_mode="llm")

总结

• SummaryIndexRetriever（default）：依赖预先计算的摘要信息，速度快但可能无法捕捉到最新的数据变化。
• SummaryIndexEmbeddingRetriever（embedding）：使用嵌入技术，可以捕捉语义上的相似性，但计算开销较大。
• SummaryIndexLLMRetriever（llm）：使用大型语言模型，可以处理复杂的查询和文档，捕捉深层次的语义关系，但计算开销非常大。

选择哪种检索器模式取决于你的具体需求和应用场景。如果你需要快速检索且数据变化不频繁，可以选择 default 模式；如果你需要捕捉语义上的相似性，可以选择 embedding 模式；如果你需要处理复杂的查询和文档，可以选择 llm 模式。希望这些信息对你有所帮助！

SummaryIndexRetriever 是 LlamaIndex 中用于摘要索引的默认检索器。它的工作流程主要依赖于预先计算的摘要信息来检索数据。下面我们将详细介绍 SummaryIndexRetriever 的具体检索流程，并探讨在节点仅包含简单嵌入（embedding）时的情况。

SummaryIndexRetriever 检索流程

1. 加载摘要信息：首先，SummaryIndexRetriever 会从索引中加载预先计算的摘要信息。这些摘要信息通常是对文档或片段的简要描述，用于快速检索。

2. 查询匹配：当接收到查询请求时，检索器会将查询与摘要信息进行匹配。匹配的方式可以是简单的字符串匹配或更复杂的语义匹配，具体取决于摘要信息的类型和结构。

3. 排序和筛选：根据匹配结果，检索器会对候选文档或片段进行排序和筛选，选择最相关的几个作为最终的检索结果。

4. 返回结果：最后，检索器将筛选后的结果返回给用户。

节点仅包含简单嵌入时的情况

如果节点仅包含简单的嵌入（embedding），SummaryIndexRetriever 的检索流程会有所不同。具体来说，检索器将依赖于嵌入向量来进行匹配和排序。

1. 加载嵌入向量：检索器会从索引中加载节点的嵌入向量。这些向量是预先计算的，用于表示节点的语义信息。

2. 查询嵌入：当接收到查询请求时，检索器会计算查询的嵌入向量。这通常是通过嵌入模型（如 BERT、Word2Vec 等）来完成的。

3. 相似度计算：检索器会计算查询嵌入向量与节点嵌入向量之间的相似度。常用的相似度度量方法包括余弦相似度、欧氏距离等。

4. 排序和筛选：根据相似度计算结果，检索器会对候选节点进行排序和筛选，选择最相关的几个作为最终的检索结果。

5. 返回结果：最后，检索器将筛选后的结果返回给用户。

总结

• SummaryIndexRetriever：依赖预先计算的摘要信息进行快速检索，适用于数据变化不频繁的场景。
• 节点仅包含简单嵌入时：依赖嵌入向量进行语义匹配和排序，适用于需要捕捉语义相似性的场景。

在实际应用中，选择合适的检索器模式和数据表示方式非常重要。如果你需要快速检索且数据变化不频繁，可以选择 SummaryIndexRetriever；如果你需要捕捉语义上的相似性，可以选择依赖嵌入向量的检索方式。希望这些信息对你有所帮助！