跳至内容

使用VectorStoreIndex#

向量存储是检索增强生成(RAG)的关键组件，因此在使用LlamaIndex开发的几乎每个应用程序中，你都会直接或间接地使用到它们。

向量存储接受一个Node对象列表并从中构建索引

将数据加载到索引中#

基本用法#

使用向量存储的最简单方法是加载一组文档，并使用from_documents从中构建索引：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

# Load documents and build index
documents = SimpleDirectoryReader(
    "../../examples/data/paul_graham"
).load_data()
index = VectorStoreIndex.from_documents(documents)

提示

如果在命令行中使用from_documents，可以方便地传递show_progress=True参数来在索引构建过程中显示进度条。

当你使用from_documents时，你的文档会被分割成块并解析为Node对象，这是对文本字符串的轻量级抽象，用于跟踪元数据和关系。

有关如何加载文档的更多信息，请参阅理解加载。

默认情况下，VectorStoreIndex将所有内容存储在内存中。有关如何使用持久化向量存储的更多信息，请参阅下方的使用向量存储。

提示

默认情况下，VectorStoreIndex会以每批2048个节点的规模生成并插入向量。如果您受到内存限制（或内存充足），可以通过传入insert_batch_size=2048参数并指定您期望的批次大小来修改此设置。

当您向远程托管的向量数据库插入数据时，这尤其有用。

使用摄取管道创建节点#

如果您希望对文档索引方式有更多控制，我们推荐使用数据摄取管道。这允许您自定义节点的分块、元数据和嵌入方式。

from llama_index.core import Document
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.extractors import TitleExtractor
from llama_index.core.ingestion import IngestionPipeline, IngestionCache

# create the pipeline with transformations
pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=25, chunk_overlap=0),
        TitleExtractor(),
        OpenAIEmbedding(),
    ]
)

# run the pipeline
nodes = pipeline.run(documents=[Document.example()])

提示

你可以了解更多关于如何使用数据摄取管道的信息。

直接创建和管理节点#

如果你想完全控制你的索引，你可以手动创建和定义节点，并直接将它们传递给索引构造函数：

from llama_index.core.schema import TextNode

node1 = TextNode(text="<text_chunk>", id_="<node_id>")
node2 = TextNode(text="<text_chunk>", id_="<node_id>")
nodes = [node1, node2]
index = VectorStoreIndex(nodes)

处理文档更新#

当直接管理您的索引时，您需要处理随时间变化的数据源。Index类具有插入、删除、更新和刷新操作，您可以在下面了解更多信息：

存储向量索引#

LlamaIndex支持数十种向量存储。您可以通过传入一个StorageContext来指定使用哪一种，在该上下文中您需要指定vector_store参数，如下例使用Pinecone所示：

import pinecone
from llama_index.core import (
    VectorStoreIndex,
    SimpleDirectoryReader,
    StorageContext,
)
from llama_index.vector_stores.pinecone import PineconeVectorStore

# init pinecone
pinecone.init(api_key="<api_key>", environment="<environment>")
pinecone.create_index(
    "quickstart", dimension=1536, metric="euclidean", pod_type="p1"
)

# construct vector store and customize storage context
storage_context = StorageContext.from_defaults(
    vector_store=PineconeVectorStore(pinecone.Index("quickstart"))
)

# Load documents and build index
documents = SimpleDirectoryReader(
    "../../examples/data/paul_graham"
).load_data()
index = VectorStoreIndex.from_documents(
    documents, storage_context=storage_context
)

如需查看更多关于如何使用VectorStoreIndex的示例，请参阅我们的向量存储索引使用示例笔记本。

如需查看如何在特定向量存储中使用VectorStoreIndex的示例，请参阅存储部分下的向量存储。

可组合检索#

VectorStoreIndex（以及任何其他索引/检索器）能够检索通用对象，包括

  • 对节点的引用
  • 查询引擎
  • 检索器
  • 查询管道

如果检索到这些对象，将使用提供的查询自动运行它们。

例如：

from llama_index.core.schema import IndexNode

query_engine = other_index.as_query_engine
obj = IndexNode(
    text="A query engine describing X, Y, and Z.",
    obj=query_engine,
    index_id="my_query_engine",
)

index = VectorStoreIndex(nodes=nodes, objects=[obj])
retriever = index.as_retriever(verbose=True)

如果检索到包含查询引擎的索引节点，将运行该查询引擎并将结果响应作为节点返回。

更多详情，请查看指南

优云智算