LlamaIndex,一个能够秒懂你的python项目!

你是否遇到过这样的困扰——想让大模型回答公司内部文件里的问题，它却只会一本正经地胡说八道？

LlamaIndex就是来解决这个痛点的。

它像一座桥梁，把散落的文档、数据库和API连接起来，让大语言模型能读懂你的私有数据，给出靠谱又精准的回答。

📥 第一步：把文档“喂”给索引

想让AI读懂你的文档，得先把数据组织成它理解的格式。

下面这段代码展示了最基础的文档加载和索引构建过程。

我们用SimpleDirectoryReader一口气读入文件夹里所有txt或pdf文件，然后调用VectorStoreIndex把文档切成小块，转换成向量存进索引里。

from llama_index.core import SimpleDirectoryReader, VectorStoreIndex

documents = SimpleDirectoryReader("./my_docs").load_data()
index = VectorStoreIndex.from_documents(documents)
print(f"成功索引了 {len(documents)} 个文档")

执行后，终端会吐出这样的提示：
成功索引了 5 个文档

这些文档现在已经被切碎、编码，安静地躺在向量库里，等着被提问唤醒。

🔎 第二步：像搜索引擎一样查询

构建好索引后，就能向它提问了。index.as_query_engine()会把你的问题也转成向量，去索引里做相似度匹配，找到最相关的文档片段，再交给大模型总结回答。

query_engine = index.as_query_engine()
response = query_engine.query("公司年假政策是什么？")
print(response)

运行结果会直接输出一段自然语言回答：
根据公司手册，入职满一年的员工享有5天带薪年假。

这就好比有个不知疲倦的实习生，把厚厚的员工手册从头翻到尾，只花了不到两秒。

🧩 第三步：给引擎装上“记忆”

默认的查询引擎每次提问都是独立的，不记得上一句说过什么。

想让对话连贯起来，得用ChatEngine，它会把聊天记录一并送入上下文，让AI知道你在追问。

chat_engine = index.as_chat_engine()
res1 = chat_engine.chat("苹果最新的财报毛利率是多少？")
res2 = chat_engine.chat("那比去年同期涨了多少？")
print(res2)

输出结果会准确理解“那”指代的是毛利率：
与去年同期相比，毛利率上涨了1.8个百分点。

没有记忆的话，第二个问题大概率会得到一句“请问您指的是什么”的茫然回复。

🏗️ 第四步：给数据装上“路由器”

实际业务中，数据往往散落在不同地方——产品文档在本地，用户评论在数据库里。

这时候可以用RouterQueryEngine，它像一个智能接线员，自动判断问题该分发给哪个查询引擎。

from llama_index.core.tools import QueryEngineTool
tool1 = QueryEngineTool.from_defaults(engine1, description="产品文档")
tool2 = QueryEngineTool.from_defaults(engine2, description="用户评价")
router = RouterQueryEngine.from_defaults([tool1, tool2])
result = router.query("用户对续航最集中的吐槽是什么？")
print(result)

引擎会识别出“吐槽”这个关键词，把问题精准路由到管理“用户评价”的引擎上，返回相关差评摘要，而不是去产品文档里瞎翻。

⚖️ 优势对比：不止LlamaIndex这一个选择

跟直接拼接提示词的方案比，LlamaIndex把数据索引和检索抽象得干净利落，省去大量样板代码。

和LangChain相比，它更专注在RAG这一件事上，学习曲线平缓不少，但要构建涉及复杂代理推理的链路，生态丰富度暂时稍逊一筹。

建议做企业知识库、文档问答类项目时优先考虑，追求极致灵活度再去看LangChain。

💬 写在最后

LlamaIndex让私有数据接入大模型这件事变得前所未有的简单。

从搭建内部知识库到开发智能客服，它都是值得放进工具箱的利器。

你在项目中用过它吗？踩过哪些坑，又有哪些独门心得？欢迎在评论区畅所欲言，我们一起把这条路走得更顺。