llamaindex

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。

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。

VSCode如何配置LlamaIndex RAG(检索增强生成)应用开发环境是什么怎么安装配置VS Code（也就是Code）, 是一款代码编辑器, 它免费且开源并跨平台, 由微软进行开发以及维护, 该编辑器被大量用于软件开发还有编程, 它能支持多种编程语言包括框架, 并且它同时还提供了丰富的功能以及扩展性, 这能让开发者高效进行编写、编辑进而调试代码。

练习两年半的攻城狮

【RAG实战】知识库 BGE-M3 稀疏向量混合检索方案作者: gc 技术栈: Python 3.12 + FastAPI + LlamaIndex + Milvus 2.3 + FlagEmbedding 适用场景: 企业级 RAG 知识库，需要高精度中文混合检索（Dense + Sparse + RRF 融合排序）

LlamaIndex 全栈实战指南：架构解构、RAG 核心原理与私有知识库工程化落地方案大语言模型（LLM）面临知识时效性滞后、私有数据盲区与事实幻觉三大工程瓶颈。检索增强生成（RAG, Retrieval-Augmented Generation）是解决私有数据问答成本最低、准确率最高的工程路径。

练习两年半的攻城狮

RAG 系统中 Excel/表格数据的正确处理方式在构建 RAG（检索增强生成）系统时，很多人会踩一个坑：把 Excel 表格和 PDF/DOCX 文档一视同仁，全部丢给 MinerU 解析成 Markdown，再切片向量化存入 Milvus。

练习两年半的攻城狮

FastAPI + LlamaIndex Agent 流式对话踩坑实录最近在基于 FastAPI + LlamaIndex 构建 Agent 智能对话系统时，遇到了一个典型的流式响应问题：Agent 对话只返回 start 和 end(cancelled) 事件，中间的内容全部丢失。经过多轮排查和修复，最终定位到三个独立但相互关联的问题。本文完整记录问题现象、排查过程和解决方案，希望能帮助遇到类似问题的同学少走弯路。

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。

LlamaIndex 系列【3】上下文增强驱动的 LLM 应用开发框架智能体是由大模型驱动的知识助手，能够调用工具完成调研、数据提取等各类任务。智能体能力跨度很广：LlamaIndex 提供完整的智能体开发框架，支持将 RAG 流水线作为众多工具之一，辅助智能体完成任务。

LlamaIndex 系列【4】入门案例（阿里云百炼适配）本节介绍构建大模型应用过程中反复出现的核心抽象。LLM 是催生 LlamaIndex 的基础技术。它是一类人工智能系统，能够理解、生成、处理自然语言；既可以依托训练数据作答，也能够使用查询阶段传入的外部数据进行回答。

LangChain 和 LlamaIndex 有什么区别？各自适合什么场景？👨‍⚕️ 主页： gis分享者 👨‍⚕️ 感谢各位大佬点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍⚕️ 收录于专栏：AI大模型原理和应用面试题

练习两年半的攻城狮

LlamaIndex ResponseMode 深度解析摘要：LlamaIndex 提供了 8 种 ResponseMode（响应合成模式），但官方文档语焉不详。本文从源码级别深度解析每种模式的实现原理、适用场景、性能差异和隐藏坑点，帮助开发者在 RAG 项目中做出正确选择。涵盖 REFINE、COMPACT、SIMPLE_SUMMARIZE、TREE_SUMMARIZE、ACCUMULATE、COMPACT_ACCUMULATE、GENERATION、NO_TEXT、CONTEXT_ONLY 等全部模式。

79.高级RAG-md文档元素分割器内容参考于：图灵AI大模型全栈Markdown元素处理器元素处理器它把文档看做成元素的集合，会抽取表格、代码这种特殊内容，然后进行分割，也只把这种特殊内容进行索引生成

80.高级RAG-LLamaIndex实际应用-金融助手内容参考于：图灵AI大模型全栈LLamaIndex做RAG的步骤如下图是LLamaIndex做RAG的步骤

76.高级RAG-后检索器（时间排序）内容参考于：图灵AI大模型全栈时间排序比如新闻，今天的新闻和昨天的新闻，我们肯定是要今天的新闻，昨天新闻的分数就要比今天的新闻分数低，就是确保以最新的数据为准，让大模型获得最新最有时效性的信息

73.高级RAG-后检索器（文档过滤）内容参考于：图灵AI大模型全栈过滤它的作用是处理检索出来的数据，比如说之前通过BM25词频率检索出来的文档由于我们非要让它返回多个文档数据，导致有些都是0分，那么这些0分的就没必要拼接到提示词中给大模型了，或者说低于多少分，比如低于0.7、0.5这个分数很低的相关性可能就不会很大，所以就不要给大模型了，所以过滤的功能是把检索出来的一些相关性不高的文档删掉

72.高级RAG-sql检索器内容参考于：图灵AI大模型全栈sql检索器它没办法做到跟向量检索一样进行语意匹配，它只能做到把自然语言转成sql语法

70.高级RAG-混合检索器（BM25和向量检索，RRF、归一化分数、DBSF公式详解，融合排序）内容参考于：图灵AI大模型全栈检索器是用来从知识库或向量数据库中查找相关文本的东西，然后再交给大语言模型生成答案

64.高级RAG-摄取管道内容参考于：图灵AI大模型全栈摄取管道现在有这样的一件事情，有一个文档A用户上传了一次，B用户上传了一次，一个文档上传了两次这种情况要做两次RAG的知识库吗？这里就有两个概念全量更新和增量更新

61.RAG-RAG存在的问题内容参考于：图灵AI大模型全栈RAG它实际上存在一些问题，需要考虑这些问题该怎样解决RAG的流程1.加载文件