摘要：本文介绍了使用LLamaIndex构建RAG（检索增强生成）系统的详细步骤。主要流程包括：1）加载PDF文档并进行Markdown格式转换和分割；2）通过父子索引分割和元数据提取创建索引，存储到MongoDB和ChromaDB；3）采用混合检索方式（包括自动合并父子文档）和重排后处理；4）构建查询引擎实现问答功能。系统利用层级文档分割、元数据提取和句子重排等技术优化检索效果，并通过Redis

llamaIndex llama_index RAG

本文介绍了两种文本嵌入模型的调用方式：在线API和本地部署。在线方案使用阿里云通义千问API（text-embedding-v3），通过llama-index-embeddings-dashscope包实现，支持查询专用向量、单条/批量文档向量生成。本地方案基于HuggingFace的BAAI/bge-m3模型，通过llama_index.embeddings.huggingface调用，可选择C

摘要：LlamaIndex通过全局配置对象Settings统一管理大模型和嵌入模型，简化代码并确保一致性。示例中使用Ollama本地大模型（qwen2.5:7b）和HuggingFace嵌入模型（bge-m3），通过Settings.llm和Settings.embed_model进行全局设置，避免了重复配置。测试验证了模型调用和向量生成功能，展示全局配置的高效性。

本文介绍了如何在大语言模型（LLM）中加载图片数据，重点讲解了基于Jinja2模板和LLamaIndex框架的多模态提示词实现方法。关键点包括：1）通过{{image_path|image}}过滤器将图片转为base64编码；2）使用ImageBlock类封装图片数据；3）需选择支持多模态的模型（如qwen-omni系列）；4）国内模型需通过OpenAILike适配器调用。文章还展示了LLamaI

文章摘要： LlamaIndex框架通过Document类型处理文档数据，包含文本内容（text）和元数据（metadata，如文件名、路径等）。文档可通过加载器（如SimpleDirectoryReader）自动读取或手动创建，分割后成为Node节点。Document对象包含唯一ID、嵌入向量、元数据字典（支持自定义字段）、多模态资源等结构化属性，并支持配置元数据过滤规则（嵌入/LLM阶段）。加

LLamaParse是LlamaIndex提供的云端智能文档解析工具，相比本地解析能更精准处理复杂PDF/文档（含表格、公式等）。用户需在官网申请API密钥（每月有免费额度），通过Python调用实现文件上传、云端解析和结果保存。提供同步/异步两种调用方式，支持标准/智能两种解析模式，可输出Markdown、纯文本或结构化JSON格式。代码示例展示了完整流程：上传文件->发起解析->分

摘要： 本文介绍了在LlamaIndex中使用StorageContext管理存储的方法，包括原始数据（DocStore）、索引元数据（IndexStore）、向量数据（VectorStore）等组件的灵活配置。通过示例演示了两种存储方案： 本地存储（SimpleDocumentStore）：将数据序列化为JSON文件（如docstore.json），适合轻量级应用。 MongoDB存储（Mong

本文介绍了LlamaIndex框架中的向量存储（VectorStore）和索引存储（IndexStore）的实现方式。主要内容包括：1. 使用SimpleVectorStore和Chroma两种向量存储方案，分别实现本地内存存储和持久化向量数据库存储；2. 索引存储（IndexStore）的作用是管理向量数据的存储结构；3. 详细展示了如何从文档加载、切分、生成向量到存储的完整流程；4. 提供了R

本文介绍了基于LlamaIndex构建RAG系统的核心组件RetrieverQueryEngine及其实现代码示例。该引擎通过文档检索（similarity_top_k参数控制返回文档数）和响应合成（支持TREE_SUMMARIZE模式和流式输出）实现问答功能。文中还对比了五种查询引擎的核心功能：基础RAG（RetrieverQueryEngine）、多引擎路由（RouterQueryEngine