要使用 LlamaIndex 检索文档，您需要构建数据结构，创建索引，并使用自然语言或特定参数查询它。 LlamaIndex 通过将文档组织成可搜索的索引，简化了大型语言模型 (LLM) 与外部数据的连接。 这个过程通常包括三个步骤：加载数据，创建索引和查询它。 让我们用实际的例子来分解这个过程。
首先，使用数据连接器将文档加载到 LlamaIndex 中。 例如，您可以使用 SimpleDirectoryReader 从本地目录提取文件。 这支持 PDF、文本文件或 Markdown 等格式。 加载后，文档被解析为节点——带有元数据的较小文本块。 例如，一个 10 页的 PDF 可能会被分成 20 个节点，每个节点代表一个部分。 将文档拆分为节点，通过将结果缩小到相关部分来提高检索准确性。 您可以在此步骤中自定义块大小、重叠或元数据（例如，文档标题）。
接下来，创建适合您用例的索引。 VectorStoreIndex 是一种常见的选择，它将文本转换为数值嵌入（例如，使用 OpenAI 或 Hugging Face 模型）并存储它们以进行语义搜索。 要构建它，请将您的节点传递给 VectorStoreIndex.from_documents(nodes)。 对于结构化数据，ListIndex 可能更好，它根据关键字匹配检索文档。 索引完成后，使用 QueryEngine 进行搜索。 例如，query_engine = index.as_query_engine() 允许您调用 query_engine.query("Find reports on Q3 sales")。 LlamaIndex 通过比较查询的嵌入与节点嵌入来处理检索，返回最相关的结果。
最后，使用高级选项自定义检索。 您可以调整 similarity_top_k 等参数来控制返回多少个节点，或者使用混合搜索来组合基于语义和关键字的结果。 例如，VectorIndexRetriever(similarity_top_k=5) 获取前五个匹配项。 要按元数据进行过滤，请添加一个 node_filter 以排除不符合日期范围等标准的节点。 对于复杂的查询，使用 RouterQueryEngine 将问题定向到不同的索引（例如，将财务数据路由到专用索引）。 这些工具让您可以根据应用程序的需求平衡速度、准确性和特异性。