将 LlamaIndex 与现有搜索引擎集成，涉及将其数据索引和检索能力连接到您的搜索基础设施。LlamaIndex 擅长为基于 LLM 的查询构建非结构化数据结构，而传统搜索引擎则处理基于关键词或基于向量的检索。要结合它们，您通常会使用 LlamaIndex 预处理和索引数据，然后将这些结果同步到搜索引擎的索引中。例如，您可以使用 LlamaIndex 生成向量嵌入，并将其存储在支持向量相似性搜索的搜索引擎中，如 Elasticsearch 或 OpenSearch。这使您能够同时利用关键词匹配和语义搜索。
首先，配置 LlamaIndex 将您的数据处理成搜索引擎可以摄入的结构化格式。例如，使用 LlamaIndex 的 Document 和 Node 类将文本分割成块，提取元数据，并生成嵌入。诸如 LlamaIndex 内置的 VectorStoreIndex 之类的工具可以创建嵌入，您将通过其 API 或 SDK 将其导出到搜索引擎。如果您的搜索引擎支持混合搜索（结合关键词和向量），请将 LlamaIndex 的输出映射到搜索引擎的 schema——例如，将嵌入存储在 Elasticsearch 的 dense_vector 字段中。您还需要确保同步：当源数据发生变化时，LlamaIndex 应该重新索引并更新搜索引擎的记录，这可以通过 webhooks 或定时任务自动化实现。
一个实际的实现可能涉及使用 LlamaIndex 来丰富搜索结果。假设您正在使用 Apache Solr 进行产品搜索。在使用 LlamaIndex 索引产品描述后，您可以将其嵌入存储在 Solr 中，并使用混合查询结合 Solr 的关键词评分和 LlamaIndex 向量的余弦相似度。对于 LLM 驱动的功能，如摘要，可以使用 LlamaIndex 的查询引擎对搜索结果进行后处理——例如，从搜索引擎检索到的前 10 个匹配文档中生成简洁的答案。诸如 llama-index-readers 之类的库可以帮助将搜索引擎中的数据导入到 LlamaIndex 以进行进一步处理。关键是将 LlamaIndex 视为一个补充现有搜索基础设施的预处理或后处理层，而不是取代它。