LlamaIndex · 知识点
LlamaIndex 是 数据 / RAG 框架：给 LLM 接上私有文档、库表，把「怎么切、怎么建索引、怎么捞」做好。严格说不是 Agent 编排框架。
重点 LlamaIndex 的定位是怎样的？
一句话——给 LLM 装上私有数据的接口。不搞复杂多人协作、只做文档问答，它是首选。
- 本业是数据 — 加载、切分、
VectorStoreIndex、检索。长期记忆、海量 PDF 问答走这里。 - 不是编排中枢 — 多 Agent 接力、审批、工具链，交给 LangChain / LangGraph。检索完还要写报告、发邮件：它管数据，编排交给链。
- 和 LangChain 怎么搭 — 检索 Node 转成 LangChain Document，换向量库改数据层，加审批改编排层。
重点 什么是 Index 优先？
LlamaIndex 的哲学是 Index-First。LangChain 关注流程（链怎么串），它关注数据结构（私有数据怎么被索引）。它认为 LLM 应用的核心瓶颈不是编排，而是怎么让模型检索到私有数据。
text
文档 → SimpleDirectoryReader → 分块 → Embedding → VectorStoreIndex → Query Engine → LLM 回答- 加载 —
SimpleDirectoryReader把目录里的文件读成 Document。 - 切 + 向量化 — 分块后 Embedding，写入
VectorStoreIndex。 - 问 — Query Engine 按问题捞相关块，再交给 LLM 生成。
- 持久化 —
storage_context.persist落到盘上；下次load_index_from_storage，别每次重新 Embedding。
python
import os
from llama_index.core import (
VectorStoreIndex, SimpleDirectoryReader,
StorageContext, load_index_from_storage,
)
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
index.storage_context.persist(persist_dir="./storage")
persist_dir = "./storage"
if os.path.exists(persist_dir):
storage_context = StorageContext.from_defaults(persist_dir=persist_dir)
index = load_index_from_storage(storage_context)
else:
index = VectorStoreIndex.from_documents(documents)ReAct Agent 怎么挂检索工具？
纯问答用 Query Engine 直问。要模型自己决定何时检索，把检索封成函数，用 FunctionTool 插到 ReActAgent 上。Index 还是本业，Agent 只是把检索当一只手。
python
from llama_index.core.agent import ReActAgent
from llama_index.core.tools import FunctionTool
query_engine = index.as_query_engine(similarity_top_k=5)
def retrieve_documents(query: str) -> str:
"""从文档中检索相关信息"""
return str(query_engine.query(query))
retrieve_tool = FunctionTool.from_defaults(fn=retrieve_documents)
agent = ReActAgent.from_tools(
tools=[retrieve_tool],
llm=llm,
verbose=True,
system_prompt="你是一个乐于助人的AI助手，可以从文档中检索信息",
)- Query Engine —
as_query_engine(similarity_top_k=5)，一次捞 5 段。 - 函数 —
retrieve_documents的 docstring 就是工具说明，模型靠它决定调不调。 - 插拔 —
FunctionTool.from_defaults包一层，ReActAgent.from_tools挂上；verbose=True能看见思考过程。
LlamaIndex 的核心优势是什么？
优势在数据这条线做完，不是编排更强。文档进得去、索引留得住、检索策略能换、需要时再把查询引擎封成工具。
- 一站式文档 — 加载、分块、向量化、索引、检索一条龙。
- 索引持久化 —
persist后启动直接加载，避免重复 Embedding。 - 多种检索 — 向量、关键词、混合，专名漏检时上混合。
- 和 Agent 衔接 —
FunctionTool封装 Query Engine，ReAct 按需调检索。
| 场景 | 说明 |
|---|---|
| 企业知识库 | 内部文档、FAQ、操作手册问答 |
| 合同审查 | 条款检索与解读 |
| 学术论文 | 摘要、引用、知识图谱类分析 |
| 客服机器人 | 产品手册、服务政策实时检索 |