llamaindex

第二章：LlamaIndex 的基本概念随着大语言模型（LLM）的快速发展，越来越多的开发者、AI爱好者及在校学生开始尝试将LLM与自有数据结合，构建个性化的AI应用。但LLM本身存在上下文窗口有限、无法直接处理私有数据、检索精度不足等问题，而LlamaIndex（曾用名GPT Index）的出现，完美解决了这些痛点。

第三章：Agent智能体开发实战之【LlamaIndex 工作流从入门到实战】目录一、前言二、LlamaIndex 工作流2.1 核心组件2.1.1 定义工作流事件2.1.2 设置工作流类

第一章：Agent智能体开发实战之【初步认识 LlamaIndex：从入门到实操】随着大语言模型（LLM）的普及，越来越多的开发者、AI爱好者开始尝试将LLM应用于实际项目，但在落地过程中，普遍面临“外部知识接入难”“复杂任务无法拆解”“多工具协同效率低”等痛点。LlamaIndex（曾用名GPT Index）作为一款专为LLM应用开发设计的框架，恰好解决了这些问题，它能帮助开发者快速连接LLM与外部数据，实现复杂任务的拆解与自动化执行，降低LLM应用的开发门槛。

LlamaIndex + Qwen3.5-4B 关闭 Thinking 模式调试记录问题：使用 LlamaIndex 的 HuggingFaceLLM 加载本地 Qwen3.5-4B 模型时，模型输出内部思维链（thinking process）而非正常回答。Qwen3.5-2B 无此问题。

LlamaIndex详解：专注检索增强，让AI Agent“有知识、不迷路”在AI智能体（Agent）的开发中，“知识储备”是决定智能体回答质量的核心——传统大模型受限于训练数据的时效性和局限性，面对企业内部文档、行业专属资料、实时数据等外部信息时，往往会出现“答非所问”“产生幻觉”等问题。而LlamaIndex（原GPT Index）作为专注于检索增强生成（RAG）的专用框架，以“连接大模型与外部数据”为核心，提供了从数据接入、预处理到检索召回的全流程解决方案，让智能体能够快速获取、高效利用外部知识，真正实现“有知识、不迷路”。

灵机一物AI智能电商小程序(已上线)-从零构建高可用智能电商客服：LangGraph+LlamaIndex+ES三层检索RAG系统实战｜彻底解决大模型幻觉文章摘要：电商场景下，传统关键词客服回复生硬、匹配度低，纯大模型直接应答又极易出现幻觉编造、记忆污染等致命问题，严重影响用户体验和品牌口碑。本文结合实际业务落地经验，手把手带你基于LangGraph工作流编排、LlamaIndex向量检索与Elasticsearch全文检索，打造一套三层降级检索、可控可溯源、零幻觉、高可用的电商知识库问答客服系统，从架构设计、核心逻辑、代码实现到生产避坑全流程拆解，直接可复用落地。

RAG 系统性能跃迁：LlamaIndex 索引优化实战指南在构建检索增强生成（RAG）系统时，很多开发者会遇到这样的困境：明明用了最先进的大语言模型，检索结果却总是差强人意 —— 要么答非所问，要么遗漏关键信息。其实，RAG 的性能瓶颈往往不在 LLM 本身，而在索引环节。本文基于 LlamaIndex 的生产级方案，深入解析两种核心索引优化策略，帮你突破检索精度与生成质量的双重瓶颈。

LlamaIndex实用入门案例（可执行）python 01_simple_llm_chat.pypython 02_simple_rag.py

程序猿-瑞瑞

深入探索Qdrant（包含实战案例）Qdrant (发音类似 “Quadrant”) 是目前向量数据库领域增长最快、口碑最好的开源项目之一。

树叶会结冰

Milvus：可检索记忆的漂流瓶目录从一句“让它能回答文档问题”开始Milvus：当你第一次意识到“记忆不能靠prompt”LlamaIndex：让“向量搜索”变成“知识检索”

LlamaIndex 实战 Milvus 向量数据库：从 CRUD 到智能检索目录1. 为什么选择 LlamaIndex + Milvus？2. 核心代码实战2.1 依赖安装2.2 导包与配置

薛定谔的猫1982

LlamaIndex(二)加载本地数据在您选择的大语言模型（LLM）能够处理您的数据之前，您首先需要处理并加载这些数据。这个摄入管道通常包含三个主要阶段：

薛定谔的猫1982

LlamaIndex（一）初见LlamaIndex 是一个强大的框架，专门用于构建基于LLM的数据应用。它的主要目标是帮助开发者创建能够与私有数据交互的LLM应用。

大模型应用：LlamaIndex、LangChain 与 LangGraph 细节深度、协同应用.24在大模型应用开发中，如何高效地利用私有数据、编排复杂任务以及管理多轮对话状态是三个核心挑战。LlamaIndex、LangChain和LangGraph分别针对这三个挑战提供了专业解决方案。今天我们将深度解析这三个框架的架构设计、核心细节，并通过实战案例展示如何协同使用它们构建强大的LLM应用。

大模型应用：从问题到答案：LlamaIndex RAG系统工作流程详解.15在前面的文章我们对langchain和RAG都做过深入的探讨，检索增强生成（RAG）是解决模型核心痛点的关键技术，它能让大模型基于本地私有数据生成精准回答，彻底规避幻觉问题，同时满足数据本地化、合规性要求。

LlamaIndex检索调优实战：七个能落地的技术细节RAG系统搭完其实才是工作的开始，实际跑起来你会发现，答案质量参差不齐，有时候精准得吓人、有时候又会非常离谱。这个问题往往不模型本身，而是在检索环节的那些"小细节"。

LlamaIndex 存储体系深度解析随着大模型在企业级知识管理、智能搜索、智能体编排等场景的落地加速，如何让外部数据以结构化、可管理、可扩展的方式被模型消费，成为一个关键问题。LlamaIndex 作为业内领先的 LLM 数据框架，提供了丰富的数据加载、索引、检索与智能体构建能力。然而，许多人往往忽略了支撑这一切的“底层基座”——存储体系。

LlamaIndex PromptTemplate 全面解析在构建 RAG（Retrieval-Augmented Generation）系统、企业知识库助手或 Agent 自动化流程时，Prompt 设计始终处于核心位置。Prompt 是大型语言模型（LLM）行为的控制器，通过清晰、结构化的提示词，开发者能够让模型在限定信息范围内回答问题、执行工具调用，或以稳定方式进行推理。

花菜会噎住

Chainlit+LlamaIndex 多模态 RAG 开发实战7：从系统架构到功能落地，搞定 PDF/PPT/ 图片全类型文件处理这篇博客是继续Chainlit+LlamaIndex实战教学，带你从零搞定一个多模态RAG系统。啥是RAG？简单说，就是让AI不光会聊天，还能从你的文件堆里挖宝——PDF里的表格、PPT的幻灯片、图片的隐藏秘密，全都一网打尽。想想看，你的AI助手像个超级侦探，能从乱七八糟的文档中提取情报，还能生成聪明回答。这不比纯文本聊天有趣多了？接下来我们就正式开始讲解。

基于MCP协议的多AGENT文章自动编写系统开发一个使用MCP (Model Context Protocol) 的多代理系统，能够协作完成文章写作任务。系统包含四个专业化代理，按顺序协作完成从研究到最终成稿的完整流程。