大模型：LlamaIndex 是什么？

LlamaIndex 是一个基于 LLM（大语言模型）的应用程序数据框架，适用于受益于上下文增强的场景。

这类 LLM 系统被称为 RAG（检索增强生成）系统。

LlamaIndex 提供了必要的抽象层，以便更容易地摄取、结构化和访问私有或特定领域的数据，从而安全可靠地将这些数据注入 LLM 中，以实现更准确的文本生成。

它支持 Python（本文档）和 TypeScript。

提示：更新到 LlamaIndex v0.10.0？请查看迁移指南。

🚀 为什么选择上下文增强？

LLM 为人类与数据之间提供自然语言接口。广泛可用的模型预先训练在大量公开数据上，如维基百科、邮件列表、教科书、源代码等。

然而，尽管 LLM 接受了大量的数据训练，但它们并未针对您的数据进行训练，而这些数据可能是私有的，或者与您试图解决的问题密切相关。它们可能隐藏在 API 中、存放在 SQL 数据库中，或者困在 PDF 和幻灯片中。

您可能会选择使用您的数据对 LLM 进行微调，但：

• 训练 LLM 成本高昂；
• 由于训练成本高，难以用最新信息更新 LLM；
• 观察性不足。当您向 LLM 提问时，无法明确得知 LLM 如何得出答案。

作为替代方案，可以采用名为检索增强生成（RAG）的上下文增强模式，以获得与您的特定数据相关的更准确文本生成。RAG 包括以下高级步骤：

1. 首先从您的数据源检索信息；
2. 将这些信息添加到问题中作为上下文；
3. 请求 LLM 根据丰富后的提示回答问题。

通过这种方式，RAG 克服了微调方法的三个弱点：

• 不涉及训练，因此成本低廉；
• 数据仅在请求时抓取，始终保持最新；
• LlamaIndex 可以显示检索到的文档，从而更具可信度。

🦙 为何选择 LlamaIndex 进行上下文增强？

首先，LlamaIndex 并不限制您如何使用 LLM。您仍然可以将其用作自动补全、聊天机器人、半自主代理等（参见左侧的使用案例）。它只是让 LLM 更贴近您的需求。

LlamaIndex 提供以下工具，帮助您快速构建生产级 RAG 系统：

• 数据连接器：从原生来源和格式摄取现有数据，如 APIs、PDF、SQL 等；

• 数据索引：将您的数据结构化为易于 LLM 消耗且性能优异的中间表示形式；

• 引擎：提供对您数据的自然语言访问，例如：

  • 查询引擎：强大的检索界面，用于知识增强输出；
  • 聊天引擎：对话式接口，用于与数据进行多消息、“来回”交互；
  • 数据代理：由工具（从简单辅助函数到 API 集成等）增强的 LLM 动力知识工作者；

• 应用集成：将 LlamaIndex 与您的生态系统其余部分（如 LangChain、Flask、Docker、ChatGPT 或任何其他工具）紧密关联。

CSDN独家福利

最后，感谢每一个认真阅读我文章的人，礼尚往来总是要有的，下面资料虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：