是的，LlamaIndex 能够处理结构化和非结构化数据，这使其成为开发者使用各种数据源的灵活工具。 它提供了一个统一的框架来处理、索引和查询数据，而不管其格式如何。 这种能力对于需要将来自数据库、电子表格、文档或其他来源的见解组合到单个工作流中的应用程序特别有用。
对于结构化数据，例如 SQL 数据库或 CSV 文件，LlamaIndex 提供了连接器来摄取表格数据并将其与语言模型 (LLM) 集成。 例如，它可以使用 SQLAlchemy 查询 PostgreSQL 数据库，然后将结果格式化为自然语言以供 LLM 处理。 开发者还可以定义模式或元数据来指导如何解释结构化数据。 一个常见的用例是将数据库行转换为文本描述（例如，“用户 John Doe 在 7 月 5 日购买了 3 件商品”）或嵌入结构化字段（如时间戳或类别）以进行混合搜索。 像 PandasQueryEngine 这样的工具可以使用自然语言查询结构化数据集，例如直接针对 DataFrame 询问“第二季度的总销售额是多少？”。
对于非结构化数据，如文本文档、PDF 或电子邮件，LlamaIndex 提供了用于分割、嵌入和索引内容以进行语义搜索的工具。 它支持文档加载器（例如，用于本地文件的 SimpleDirectoryReader 或与云存储的集成）和预处理步骤，例如将文本分块为可管理的片段。 这些块存储在向量数据库中（例如，Pinecone、FAISS）以实现基于相似性的检索。 例如，支持聊天机器人可以索引数千张支持票（非结构化文本），并使用语义匹配检索相关答案。 LlamaIndex 还处理元数据提取，允许开发者将非结构化数据链接到结构化上下文，例如将用户手册 PDF 与数据库中的产品 ID 相关联。
LlamaIndex 在混合使用案例中表现出色，其中结构化和非结构化数据相结合。 例如，零售应用程序可以使用结构化产品数据库按价格或类别过滤商品，然后使用非结构化客户评论来回答有关产品质量的详细问题。 开发者可以构建管道，首先查询 SQL 数据库以获取用户订单历史记录（结构化），然后搜索非结构化支持聊天以解决与订单相关的问题。 框架的 VectorStoreIndex 和 SQLStructStoreIndex 可以一起使用，从而可以进行如下查询：“总结来自纽约用户对产品 X 的投诉”，这需要将位置数据（结构化）与客户反馈（非结构化）结合起来。 这种灵活性使 LlamaIndex 能够适应需要多模式数据集成的场景。