要将 LlamaIndex 与向量数据库（如 FAISS 或 Milvus）集成，您需要使用 LlamaIndex 内置的抽象概念将您的数据连接到这些存储系统。 LlamaIndex 通过处理文档导入、嵌入生成和索引简化了流程，同时允许您插入外部向量数据库以实现高效的相似性搜索。 核心步骤包括配置 LlamaIndex 以使用您选择的数据库、存储嵌入以及查询它们。
首先，安装必要的库。 对于 FAISS，使用 llama-index 和 faiss-cpu（或启用 GPU 的 faiss）。 对于 Milvus，添加 pymilvus 以连接到数据库。 接下来，使用 LlamaIndex 的 SimpleDirectoryReader 或自定义数据连接器加载您的数据。 使用 LlamaIndex 的默认嵌入模型或自定义提供程序将文档转换为嵌入。 例如，ServiceContext.from_defaults(embed_model="local") 初始化一个本地嵌入模型。 然后，创建一个 VectorStoreIndex 并将您的向量数据库客户端（FAISS 或 Milvus）传递给它。 LlamaIndex 的 VectorStoreIndex 处理文本分割、生成嵌入并将它们存储在数据库中。
对于 FAISS，在生成嵌入后，您可以将索引保存在本地以供重用。 对于 Milvus，确保数据库服务器正在运行并配置连接参数（如主机和端口）。 例如，使用 MilvusVectorStore(host="localhost", port="19530") 初始化 Milvus 客户端，并将其传递给 VectorStoreIndex.from_documents(documents, vector_store=vector_store)。 查询时，LlamaIndex 使用向量数据库的相似性搜索来检索相关上下文。 例如，query_engine = index.as_query_engine() 允许您提出问题，系统从 FAISS/Milvus 检索嵌入以生成答案。 两种数据库的扩展方式不同：FAISS 适用于较小的单节点设置，而 Milvus 支持大型数据集的分布式架构。
FAISS 的一个实际示例是创建一个索引，将其保存到磁盘，然后重新加载以进行查询。 使用 Milvus，您需要定义一个集合模式并确保数据持久性。 例如，将数据插入 Milvus 后，您可以在后续会话中重用集合名称。 LlamaIndex 的抽象减少了样板代码，但您仍然需要管理数据库特定的配置，例如 Milvus 的一致性设置或 FAISS 的索引类型（例如，IndexFlatL2）。 始终测试检索准确性和延迟，以优化嵌入维度或搜索阈值等参数以满足您的使用场景。