要在您的 Python 环境中设置 LlamaIndex，首先安装包并验证依赖项。在您的终端或命令行中使用 pip install llama-index 来安装核心库。如果您计划集成外部服务，如 OpenAI，请使用 pip install "llama-index[openai]" 安装额外的依赖项。请确保您的 Python 版本是 3.10 或更新，因为旧版本可能不支持。为了隔离开发环境，考虑使用 venv 或 conda 创建虚拟环境，以避免与其他项目的依赖冲突。这种循序渐进的方法确保您有一个干净的基础来使用 LlamaIndex 的数据索引和检索工具。
接下来，配置您的环境变量和基本设置。如果使用基于云的 LLM（如 OpenAI），将您的 API 密钥设置为环境变量。在 Python 中，您可以使用 import os; os.environ["OPENAI_API_KEY"] = "your-key-here" 来实现。LlamaIndex 需要数据连接器来加载文档——安装特定的连接器，例如用于 PDF 的 llama-index-readers-file 或用于 HTML 页面的 llama-index-readers-web。例如，llama_index.core 中的 SimpleDirectoryReader 允许您使用 documents = SimpleDirectoryReader("data").load_data() 加载本地文本文件。这种模块化设计使您能够根据数据源（无论是本地文件、数据库还是 Web 内容）定制设置。
最后，构建一个基本的索引和查询管线。加载数据后，使用 VectorStoreIndex.from_documents(documents) 创建一个向量存储索引。这将为语义搜索生成嵌入（文本的数字表示）。要查询索引，使用 query_engine = index.as_query_engine() 初始化一个查询引擎，然后运行 response = query_engine.query("您的查询")。为了测试，尝试使用一个简单的数据集，例如包含常见问题的文本文件。如果您遇到关于缺少分词器或嵌入的错误，请安装像 sentence-transformers 这样的包以使用本地嵌入模型。LlamaIndex 的灵活性允许您替换组件，如存储后端（例如 Chroma、Pinecone）或 LLM 提供商，而无需重写整个管线，使其适应不同的项目需求。