llamaindex

我爱学Python!

两大主流大模型应用开发工具LangChain与LlamaIndex的比较分析近来，技术的飞速发展将人工智能（AI）和大型语言模型（LLM）领域推向了新的高度。LangChain 和 LlamaIndex 已成为该领域的主要参与者。它们各有自己独特的能力和优势。

LlamaIndex 实现 React AgentReact Agent 是指 LLM 对问题自行推理并调用外部工具解决问题，如下图所示，通过一些推理步骤最终找到想要的答案。 LlamaIndex 提供了实现 React Agent 的框架，通过框架可以轻松的实现上图中的步骤。那么，如果不用 LlamaIndex 应该如何实现一个 Agent 呢？首先，需要将需要调用的外部 API 和问题提供给LLM，LLM 判断得到结果是否需要调用API，如果需要调用，将 API 名称和参数相关信息返回到应用端，应用端执行API 并将结果再次传给 LLM，LLM 再次

书生大模型实战营闯关记录----第五关：LlamaIndex+Internlm2 RAG实践Demo：效果对比，文档加载，向量库构建，检索器，模型推理本文将分为以下几个部分来介绍，如何使用 LlamaIndex 来部署 InternLM2 1.8B并实现RAG功能。

Langchain 与 LlamaIndex 之间的区别背景：In this post, we'll briefly compare LangChain and LlamaIndex and look at the key features of each solution so that you can choose which is the best suited for your next LLM-powered app.

大模型与计算机视觉

增强大模型高效检索：基于LlamaIndex ，构建一个轻量级带有记忆的 ColBERT 检索 Agent在自然语言处理领域，高效检索相关信息的能力至关重要。将对话式记忆集成到文档检索系统中已经成为增强信息检索代理效果的强大技术。

llamaindex 中GPTVectorStoreIndex 和 VectorStoreIndex区别在 llama_index 库中,GPTVectorStoreIndex 和 VectorStoreIndex 都是用于创建向量存储索引的类,但它们在某些方面有所不同。

使用Azure AI Search和LlamaIndex构建高级RAG应用RAG 是一种将公司信息合并到基于大型语言模型（LLM）的应用程序中的常用方法。借助 RAG，AI 应用程序可以近乎实时地访问最新信息，团队可以保持对其数据的控制。

LlamaIndex 组件 - Prompts提示是赋予LLM 表达能力的基本输入。 LlamaIndex 使用提示来构建索引、执行插入、在查询期间执行遍历并合成最终答案。

Python算法实战

【RAG实践】基于LlamaIndex和Qwen1.5搭建基于本地知识库的问答机器人LLM 会产生误导性的 “幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，同时在推理能力上也有所欠缺。

Python算法实战

用通俗易懂的方式讲解：使用 LangChain 和 LlamaIndex 从零构建PDF聊天机器人随着大型语言模型（LLM）（如ChatGPT和GPT-4）的兴起，现在比以往任何时候都更容易搭建智能聊天机器人，并且可以堆积如山的文档，为你的输入提供更准确的响应。