本文首发于博客 LLM 应用开发实践
随着 LangChain + LLM 方案快速普及,知识问答类应用的开发变得容易,但是面对回答准确度要求较高的场景,则暴露出一些局限性,比如向量查询方式得到的内容不匹配,LLM 对意图识别不准。所以 LlamaIndex(也称为 GPT Index)由社区顺势推出,是一个开发者友好的接口,它将外部数据连接到 LLM,提供了一系列工具来简化流程,包括可以与各种现有数据源和格式(如 api、pdf、文档和 SQL 等)集成的数据连接器,极大的改善了上述问题。本文译自 LlamaIndex: How to Use Index Correctly,翻译内容并非原版无对照翻译,有所增减。
LlamaIndex索引
列表索引
它对于综合跨多个数据源的信息的答案非常有用
列表索引是一种简单的数据结构,其中节点按顺序存储。在索引构建期间,文档文本被分块、转换为节点并存储在列表中。
在查询期间,如果没有指定其他查询参数,LlamaIndex只是将列表中的所有node加载到Response Synthesis模块中。
列表索引提供了许多查询列表索引的方法,从基于嵌入的查询中获取前k个邻居,或者添加一个关键字过滤器,如下所示:
img
LlamaIndex为列表索引提供Embedding支持。除了每个节点存储文本之外,每个节点还可以选择存储Embedding。在查询期间,我们可以在调用LLM合成答案之前,使用Embeddings对节点进行最大相似度检索。
在索引构建过程中,LlamaIndex不会生成Embedding,而是在查询时生成,这种设计避免了在索引构建期间为所有文本块生成Embeddings,这可能会导致大量数据的开销。
向量存储索引
它是最常见且易于使用的,允许对大型数据语料库回答查询
默认情况下,GPTVectorStoreIndex
使用内存中的SimpleVectorStore
作为默认存储上下文的一部分初始化,基于向量存储的索引在索引构建期间生成Embeddings
img
树状索引
它对总结一组文件很有用
树状索引是树结构索引,其中每个节点是子节点的摘要。在索引构建期间,树以自下而上的方式构建,直到我们最终得到一组根节点。树状索引从一组节点(成为该树中的叶节点)构建层次树。
查询树状索引涉及从根节点向下遍历到叶节点。默认情况下(child_branch_factor=1
),查询在给定父节点的情况下选择一个子节点。如果child_branch_factor=2
,则查询在每个级别选择两个子节点。
img
为了在查询期间构建树状索引,我们需要将retriver_mode 和response_mode添加到查询引擎,并将GPTTreeIndex中的build_tree参数设置为False
ini
index_light = GPTTreeIndex.from_documents(documents, build_tree=False)
query_engine = index_light.as_query_engine(
retriever_mode="all_leaf",
response_mode='tree_summarize',
)
query_engine.query("What is net operating income?")
关键词表索引
他对于将查询路由到不同的数据源非常有用
关键字表索引从每个Node提取关键字,并构建从每个关键字到该关键字对应的Node的映射。
在查询时,从查询中提取相关关键字,并将其与预提取的Node关键字进行匹配,获取相应的Node。提取的节点被传递到响应合成模块。
img
-
GPTKeywordTableIndex
- 使用LLM从每个文档中提取关键字,这意味着它确实需要在构建期间调用LLM -
GPTSimpleKeywordTableIndex
- 使用regex关键字提取器从每个文档中提取关键字,在构建期间不会调用LLM
可组合性图索引
它对于构建知识图谱很有用
使用LlamaIndex,您可以通过在现有索引之上构建索引来创建复合索引。该特性使您能够有效地索引完整的文档层次结构,并为GPT提供量身定制的知识。
通过利用可组合性,可以在多个级别定义索引,例如为单个文档定义低级索引,为文档组定义高级索引。考虑下面的例子:
-
可以为每个文档中的文本创建树索引。
-
生成一个列表索引,涵盖所有的树索引为整个文档集合。
通过一个场景来演示可组合性图索引的能力:
-
从多个文档创建树索引
-
从树索引生成摘要
-
接下来在3个树索引的顶部创建一个列表索引的图,因为列表索引适合于合成跨多个数据源组合信息的答案
-
最后查询图
from llama_index.indices.composability import ComposableGraph
from langchain.chat_models import ChatOpenAI from llama_index import LLMPredictor
setting up vector indicies for each year
service_context = ServiceContext.from_defaults(chunk_size_limit=512) index_set = {} for year in years: storage_context = StorageContext.from_defaults() cur_index = GPTVectorStoreIndex.from_documents( documents=doc_set[year], service_context=service_context, storage_context=storage_context ) index_set[year] = cur_index # store index in the local env, so you don't need to do it over again storage_context.persist(f'./storage_index/apple-10k/{year}')
define an LLMPredictor set number of output tokens
llm_predictor = LLMPredictor(llm=ChatOpenAI(temperature=0, max_tokens=512, model_name='gpt-3.5-turbo')) service_context = ServiceContext.from_defaults(llm_predictor=llm_predictor) storage_context = StorageContext.from_defaults()\
define a list index over the vector indicies
allow us to synthesize information across each index
index_summary = [index_set[year].as_query_engine().query("Summary this document in 100 words").response for year in years] graph = ComposableGraph.from_indices( GPTListIndex, [index_set[y] for y in years], index_summaries=index_summary, service_context=service_context, storage_context=storage_context )
root_id = graph.root_id
#save to disk storage_context.persist(f'./storage_index/apple-10k/root')
querying graph
custom_query_engines = { index_set[year].index_id: index_set[year].as_query_engine() for year in years }
query_engine = graph.as_query_engine( custom_query_engines=custom_query_engines )
response = query_engine.query("Outline the financial statement of Q2 2023") response.response
Pandas索引和SQL索引
它对结构化数据很有用
ini
from llama_index.indices.struct_store import GPTPandasIndex
import pandas as pd
df = pd.read_csv("titanic_train.csv")
index = GPTPandasIndex(df=df)
query_engine = index.as_query_engine(
verbose=True
)
response = query_engine.query(
"What is the correlation between survival and age?",
)
文档摘要索引
这是一个全新的LlamaIndex数据结构,它是为了问答而制作的。
通常,大多数用户以以下方式开发基于LLM的QA系统:
-
获取源文档并将其分成文本块。
-
然后将文本块存储在矢量数据库中。
-
在查询期间,通过使用相似度和/或关键字过滤器进行Embedding来检索文本块。
-
执行整合后的响应。
然而,这种方法存在一些影响检索性能的局限性:
-
文本块没有完整的全局上下文,这通常限制了问答过程的有效性。
-
需要仔细调优top-k /相似性分数阈值,因为过小的值可能会导致错过相关上下文,而过大的值可能会增加不相关上下文的成本和延迟。
-
Embeddings可能并不总是为一个问题选择最合适的上下文,因为这个过程本质上是分别决定文本和上下文的。
为了增强检索结果,一些开发人员添加了关键字过滤器。然而,这种方法有其自身的挑战,例如通过手工或使用NLP关键字提取/主题标记模型为每个文档确定适当的关键字,以及从查询中推断正确的关键字。
img
这就是 LlamaIndex 引入文档摘要索引的原因,它可以为每份文档提取非结构化文本摘要并编制索引,从而提高检索性能,超越现有方法。该索引比单一文本块包含更多信息,比关键字标签具有更多语义。它还允许灵活的检索,包括基于 LLM 和嵌入的方法。在构建期间,该索引接收文档并使用 LLM 从每个文档中提取摘要。在查询时,它会根据摘要使用以下方法检索相关文档:
-
基于 LLM 的检索:获取文档摘要集合并请求 LLM 识别相关文档+相关性得分
-
基于嵌入的检索:利用摘要嵌入相似性来检索相关文档,并对检索结果的数量施加顶k限制。
文档摘要索引的检索类为任何选定的文档检索所有节点,而不是在节点级返回相关块。
知识图谱索引
它通过在一组文档中提取知识三元组(主语、谓语、宾语)来建立索引。 在查询时,它既可以只使用知识图谱作为上下文进行查询,也可以利用每个实体的底层文本作为上下文进行查询。通过利用底层文本,我们可以针对文档内容提出更复杂的查询。
索引成本和索引时间
-
索引的成本是一个需要考虑的重要因素,在处理海量数据集时,这一点尤为重要。
-
索引速度,整个解决方案的运行准备时间。索引时间各不相同,但都是一次性的,通常 40 页的 PDF 文件大约需要 5 秒钟。试想一下,如果一个庞大的数据集超过 10 万页,可能需要几天时间,可以利用异步方法来缩短索引时间。
更多内容在公号:LLM 应用全栈开发