索引

数据加载完成后，您现在拥有一个文档对象列表（或节点列表）。是时候基于这些对象构建一个Index，以便开始对它们进行查询。

在LlamaIndex术语中，Index是由Document对象组成的数据结构，旨在支持LLM进行查询。您的索引设计旨在与您的查询策略互补。

LlamaIndex 提供了几种不同的索引类型。我们将在此介绍两种最常见的类型。

一个 VectorStoreIndex 是您最常遇到的索引类型。向量存储索引会获取您的文档并将其分割成多个节点。然后为每个节点的文本创建 vector embeddings，准备供大型语言模型查询。

Vector embeddingsVector embeddings 是LLM应用程序运作的核心。

一个 vector embedding，通常简称为嵌入，是文本语义或含义的数值化表示。即使实际文本差异很大，具有相似含义的两段文本在数学上也会具有相似的嵌入。

这种数学关系实现了语义搜索，用户提供查询词时，LlamaIndex能够定位与查询词含义相关的文本，而非简单的关键词匹配。这是检索增强生成技术运作的重要基础，也是大语言模型的通用工作原理。

存在多种类型的嵌入向量，它们在效率、效果和计算成本方面各不相同。默认情况下LlamaIndex使用text-embedding-ada-002，这是OpenAI默认使用的嵌入模型。如果您使用不同的LLM，通常需要采用不同的嵌入方式。

Vector Store Index 使用来自您大语言模型的 API 将所有文本转换为嵌入向量；这就是当我们说它“嵌入您的文本”时的含义。如果您有大量文本，生成嵌入向量可能需要很长时间，因为它涉及多次往返 API 调用。

当您想要搜索嵌入向量时，您的查询本身会被转换为向量嵌入，然后由VectorStoreIndex执行数学运算，根据所有嵌入向量与您查询的语义相似度进行排序。

排名完成后，VectorStoreIndex 将返回最相似的嵌入及其对应的文本块。返回的嵌入数量被称为 k，因此控制返回嵌入数量的参数被称为 top_k。因此，这种搜索类型通常被称为“top-k 语义检索”。

Top-k检索是查询向量索引的最简单形式；当您阅读查询章节时，将了解到更复杂和更精细的策略。

要使用向量存储索引，请将您在加载阶段创建的文档列表传递给它：

from llama_index.core import VectorStoreIndex

index = VectorStoreIndex.from_documents(documents)

你也可以选择直接在一组节点对象列表上构建索引：

from llama_index.core import VectorStoreIndex

index = VectorStoreIndex(nodes)

在您的文本被索引后，从技术上讲它已经准备好进行查询了！然而，对所有文本进行嵌入处理可能非常耗时，并且如果您使用的是托管式LLM，成本也可能很高。为了节省时间和金钱，您需要先存储您的嵌入。

摘要索引是一种更简单的索引形式，最适合用于生成文档文本摘要的查询场景，正如其名称所示。它仅存储所有文档，并将全部文档返回给您的查询引擎。

如果你的数据是一组相互关联的概念（在计算机科学术语中，称为“图”），那么你可能会对我们的知识图谱索引感兴趣。