llamaindex

LlamaIndex 系列【32】检索增强策略：自问自答（Self Ask）Self-Ask 是一种多步推理 RAG/Agent 策略：大模型不直接回答用户原始问题，而是自己不断向自己提出子问题，逐个检索外部工具获取子问题答案，把问答记录保存到推理历史，直到信息足够，再输出最终答案。

LlamaIndex 系列【35】节点后处理器（Node Postprocessor）节点后处理器（NodePostprocessor）是 RAG 流程里检索之后、生成之前的一个处理环节：拿到检索器返回的 NodeWithScore 列表，对它做过滤、重排、改写元数据等二次加工，再把整理好的节点交给 LLM 生成答案。

LlamaIndex 系列【31】检索增强策略：命名实体识别（NER）命名实体识别（Named Entity Recognition）用于识别查询语句内特定类型的信息并进行分类，以此实现更精准的检索与筛选策略。

LlamaIndex 系列【29】检索增强策略：路由（Routing）机制路由（Routing）是查询进来时的智能分发器，先判断这个问题属于哪类，再把它送到最合适的那个数据源/引擎去处理。它回答的问题是去哪问，而不是怎么问（那是查询重写）或拆成几个问（那是子问题）。

LlamaIndex框架：简单RAG框架的全过程实现手册PyCharm 中进入设置 → Python → 解释器 → 添加解释器 → 添加本地解释器 → Conda 环境 → 新建环境 → 选择 Python 版本 → 确定。

LlamaIndex 系列【24】检索增强策略：交叉编码器（Cross‑Encoder）双编码器（Bi‑Encoder）就是有两个独立的编码器，分别把Query（查询）和 Document Chunk（文档片段）各自独立编码成稠密向量（Embedding），再用余弦相似度计算两者匹配分数。

智能客服实践：微调+RAG双引擎架构落地在企业垂直问答、智能客服落地场景中，单一微调或纯RAG架构均存在明显短板：小样本微调泛化性存疑、无法适配动态数据；纯RAG检索精度不足、固定话术回答生硬。

LlamaIndex 系列【21】语义检索（Semantic Search）BM25、TF‑IDF 都属于关键词检索（词法检索），只做字面词汇匹配：关键词检索只在乎单词是否出现过，并不读懂文字背后真正的语义。想要解决这个短板，就要依靠语义检索。

LlamaIndex 系列【20】关键词检索（Keyword Search）：BM 25 算法BM25 是生产环境标准关键词检索算法，ElasticSearch 默认的关键字检索算法是就是 ‌BM25‌（Best Matching 25），从 5.x 版本开始取代了早期的 TF-IDF，成为默认的相关性评分算法。‌‌

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