LlamaIndex 通过结合基于关键词的索引和检索机制来执行全文搜索，旨在高效地定位相关的文本数据。 其核心是使用关键字表索引结构，该结构将从文档中提取的关键字映射到出现这些关键字的节点（文本块）。 当用户提交查询时，LlamaIndex 会将查询分解为关键字，从索引中检索匹配的节点，并根据关键字相关性对结果进行排名。 这种方法平衡了速度和准确性，使其适用于文档搜索或问答系统等应用程序。
该过程从索引创建开始。 在索引期间，LlamaIndex 将输入文档解析为较小的节点（例如，句子或段落），并从每个节点中提取关键字。 例如，包含文本“Python supports object-oriented programming”（Python 支持面向对象编程）的节点可能会生成诸如“Python”、“object-oriented”和“programming”（编程）之类的关键字。 这些关键字存储在查找表中，将每个关键字与包含它的节点相关联。 开发人员可以自定义关键字提取规则，例如忽略常见的停用词（例如，“the”，“and”），或使用 NLP 库来识别特定领域的术语。 此预处理可确保索引针对快速检索进行优化。
在查询执行期间，LlamaIndex 将搜索输入（例如，“How does Python handle OOP?”（Python 如何处理 OOP？））分解为诸如“Python”和“OOP”之类的关键字。 然后，系统从关键字表中提取链接到这些关键字的所有节点。 为了提高相关性，LlamaIndex 可能会应用额外的过滤器，例如检查确切的短语匹配或使用 TF-IDF 评分来优先处理关键字频繁出现的节点。 可选地，它可以与向量存储（例如，FAISS）集成，以将关键字搜索与语义相似性相结合。 例如，混合方法可以首先通过关键字检索节点，然后使用向量嵌入对它们进行重新排序，以呈现与查询在上下文中对齐的结果。 这种灵活性允许开发人员根据自己的需求定制搜索管道，从而平衡精度和计算效率。