加餐篇：LlamaIndex 与 LangChain 的无缝集成

---

问题背景：在实际应用中，开发者常常需要结合多个框架的优势。例如，使用 LangChain 管理复杂的业务逻辑链，同时利用 LlamaIndex 的高效索引和检索能力构建知识库。本文在基于 第56篇：LangChain快速入门与应用示例和 第57篇：LlamaIndex使用指南：构建高效知识库基础上，通过 cmd方式集成、基于Streamlit UI集成、基于Ollama本地大模型集成 三个步骤以实战案例展示如何将两者无缝集成，构建一个智能客服系统，抛砖引玉、以飨读者。

1. LlamaIndex 与 LangChain CMD界面集成

完整代码案例

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.query_engine import RetrieverQueryEngine
from llama_index.core.retrievers import VectorIndexRetriever# Step 1: 使用 LlamaIndex 构建知识库索引
# 数据加载：从本地目录加载文档
documents = SimpleDirectoryReader("./knowledge_base").load_data()# 创建向量索引
index = VectorStoreIndex.from_documents(documents)# 初始化检索器
retriever = VectorIndexRetriever(index=index, similarity_top_k=5)# 创建查询引擎
query_engine = RetrieverQueryEngine(retriever=retriever)# Step 2: 使用 LangChain 构建对话链
# 定义提示模板
prompt = ChatPromptTemplate.from_messages([("system", "你是一个智能客服助手，以下是相关文档内容：\n{context}"),("human", "{query}")
])# 初始化大模型
llm = ChatOpenAI(model="gpt-4o")# 将 LlamaIndex 查询引擎嵌入到 LangChain 链中
def retrieve_context(query):response = query_engine.query(query)return response.response# 构建 LangChain 链路
chain = ({"context": RunnablePassthrough() | retrieve_context, "query": RunnablePassthrough()}| prompt| llm| StrOutputParser()
)# Step 3: 执行查询
query = "公司2023年的主要产品有哪些？"
result = chain.invoke(query)
print(result)

输出结果

"根据知识库内容，公司2023年的主要产品包括智能客服系统、数据分析平台和区块链解决方案。"

---

说明

Step 1: 使用 LlamaIndex 构建知识库索引

1. 数据加载：通过 SimpleDirectoryReader 加载本地文档（如 PDF、Word 或文本文件）。
2. 索引构建：使用 VectorStoreIndex 创建向量索引，支持高效的相似性检索。
3. 查询引擎：通过 RetrieverQueryEngine 提供对索引的访问接口。

Step 2: 使用 LangChain 构建对话链

1. 提示模板：定义对话模板，动态注入检索到的上下文信息。
2. 检索函数：通过 RunnablePassthrough 将用户输入传递给 LlamaIndex 查询引擎，获取相关上下文。
3. 链式调用：将检索结果与用户输入组合后传递给大模型，生成最终答案。

Step 3: 执行查询

• 用户提问“公司2023年的主要产品有哪些？”时：
  • LlamaIndex 从知识库中检索相关内容。
  • LangChain 将检索到的内容与用户问题结合，生成最终回答。

---

关键点解析

为什么选择 LlamaIndex 和 LangChain 集成？

• LlamaIndex 的优势：专注于知识库构建，擅长处理大规模文档和复杂检索任务。
• LangChain 的优势：提供灵活的链式调用机制，适合管理复杂的业务逻辑。
• 无缝集成：通过自定义函数（如 retrieve_context），可以轻松将 LlamaIndex 的检索能力嵌入到 LangChain 的工作流中。

代码中的亮点

1. 动态上下文注入：

   • 使用 RunnablePassthrough 动态传递用户输入，并调用 LlamaIndex 的查询引擎。
   • 这种方式确保了检索结果始终与用户问题相关。

2. 模块化设计：

   • LlamaIndex 负责知识库的管理和检索。
   • LangChain 负责对话管理和最终答案生成。
   • 两者的分工明确，便于维护和扩展。

---

应用场景

1. 企业智能客服：结合知识库和对话链，构建多轮对话的客服助手。
2. 文档问答系统：快速检索和生成答案，适用于技术支持和内部培训。
3. 研究文献分析：通过混合检索和链式调用，生成高质量的研究报告。

---

---

2. LlamaIndex 与 LangChain 集成 + 前端 UI

问题背景：为了提升用户体验，我们不仅需要一个强大的后端系统，还需要一个直观、友好的前端界面。以下案例将展示如何结合 LlamaIndex 和 LangChain 构建后端逻辑，同时使用 Streamlit（一个流行的 Python 前端框架）打造一个交互式应用。

完整代码案例

后端逻辑：整合 LlamaIndex 和 LangChain

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnablePassthrough
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.query_engine import RetrieverQueryEngine
from llama_index.core.retrievers import VectorIndexRetriever# Step 1: 使用 LlamaIndex 构建知识库索引
def build_knowledge_base():# 数据加载：从本地目录加载文档documents = SimpleDirectoryReader("./knowledge_base").load_data()# 创建向量索引index = VectorStoreIndex.from_documents(documents)# 初始化检索器retriever = VectorIndexRetriever(index=index, similarity_top_k=5)# 创建查询引擎query_engine = RetrieverQueryEngine(retriever=retriever)return query_engine# Step 2: 使用 LangChain 构建对话链
def build_langchain_chain(query_engine):# 定义提示模板prompt = ChatPromptTemplate.from_messages([("system", "你是一个智能客服助手，以下是相关文档内容：\n{context}"),("human", "{query}")])# 初始化大模型llm = ChatOpenAI(model="gpt-4o")# 将 LlamaIndex 查询引擎嵌入到 LangChain 链中def retrieve_context(query):response = query_engine.query(query)return response.response# 构建 LangChain 链路chain = ({"context": RunnablePassthrough() | retrieve_context, "query": RunnablePassthrough()}| prompt| llm)return chain

---

前端实现：使用 Streamlit 构建用户界面

import streamlit as st# 初始化后端逻辑
query_engine = build_knowledge_base()
chain = build_langchain_chain(query_engine)# Streamlit 应用界面
st.title("智能客服助手")
st.markdown("请输入您的问题，我们将为您快速解答！")# 用户输入框
user_query = st.text_input("您的问题：", "")if user_query:# 显示加载动画with st.spinner("正在为您查找答案..."):# 调用后端逻辑生成回答response = chain.invoke(user_query)# 显示回答st.subheader("回答：")st.write(response)# 显示上下文信息st.subheader("参考内容：")retrieved_context = query_engine.query(user_query).source_nodesfor i, node in enumerate(retrieved_context):st.write(f"**来源 {i+1}:** {node.node.text[:200]}...")

---

运行方式

1. 安装依赖：

   pip install llama-index langchain openai streamlit
   

2. 启动应用：

   • 将上述代码保存为 app.py。
   • 在终端运行以下命令：

     streamlit run app.py
     

   • 打开浏览器访问 http://localhost:8501，即可看到交互式界面。

---

输出结果

界面截图

1. 首页布局：

2. 输入问题：

   • 用户输入问题：“公司2023年的主要产品有哪些？”

3. 生成回答：

   回答：
   根据知识库内容，公司2023年的主要产品包括智能客服系统、数据分析平台和区块链解决方案。参考内容：
   来源 1: 公司2023年发布了一系列新产品，其中包括智能客服系统...
   来源 2: 数据分析平台采用了最新的机器学习算法...
   

---

说明

Step 1: 后端逻辑

• LlamaIndex：
  • 负责构建知识库索引，支持高效检索。
  • 通过 VectorStoreIndex 和 RetrieverQueryEngine 提供上下文信息。
• LangChain：
  • 负责管理对话链，动态注入检索到的上下文。
  • 通过 RunnablePassthrough 和 ChatPromptTemplate 生成最终回答。

Step 2: 前端实现

• Streamlit：
  • 提供了一个简单易用的前端框架，适合快速构建交互式应用。
  • 使用 st.text_input 获取用户输入，st.spinner 显示加载动画，st.write 展示结果。
• 用户体验：
  • 界面简洁直观，用户只需输入问题即可获得答案。
  • 显示参考内容，增强透明度和可信度。

---

关键点解析

为什么选择 Streamlit？

• 简单易用：无需复杂的前端开发经验，仅需几行代码即可构建交互式界面。
• 实时更新：支持动态刷新，用户输入后立即显示结果。
• 跨平台支持：可在本地或云端部署，方便扩展。

代码中的亮点

1. 前后端分离：
   • 后端逻辑专注于数据处理和业务逻辑。
   • 前端负责用户交互和结果展示。
2. 动态加载：
   • 使用 st.spinner 提供加载动画，提升用户体验。
3. 参考内容展示：
   • 显示检索到的上下文信息，帮助用户理解答案来源。

---

3. LlamaIndex 与 LangChain 集成 + 前端 UI+ Ollama

---

在案例中，如果需要将大模型调用从云端（如 OpenAI 的 ChatOpenAI）改为本地运行的 Ollama，我们需要调整代码以适配 Ollama 提供的接口。以下是详细的调整步骤和完整代码示例。

模型接口说明

1. Ollama 简介：

   • Ollama 是一个用于本地运行大语言模型（LLM）的工具，支持多种开源模型（如 Llama、Mistral、GPT-NeoX 等）。
   • 它提供了 RESTful API 接口，可以通过 HTTP 请求与本地模型交互。

2. 调整点：

   • 替换 langchain_openai.ChatOpenAI 为适配 Ollama 的自定义实现。
   • 使用 ollama 的 Python SDK 或直接通过 HTTP 请求调用本地模型。
   • 修改 LangChain 的链式调用逻辑，确保与 Ollama 的输出格式兼容。

---

本地Ollama大模型调用代码实现

后端逻辑：整合 LlamaIndex 和 LangChain + Ollama

from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnablePassthrough
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.query_engine import RetrieverQueryEngine
from llama_index.core.retrievers import VectorIndexRetriever
import requests# Step 1: 使用 LlamaIndex 构建知识库索引
def build_knowledge_base():# 数据加载：从本地目录加载文档documents = SimpleDirectoryReader("./knowledge_base").load_data()# 创建向量索引index = VectorStoreIndex.from_documents(documents)# 初始化检索器retriever = VectorIndexRetriever(index=index, similarity_top_k=5)# 创建查询引擎query_engine = RetrieverQueryEngine(retriever=retriever)return query_engine# Step 2: 配置 Ollama 模型调用
class OllamaLLM:def __init__(self, model_name="llama2", base_url="http://localhost:11434"):self.model_name = model_nameself.base_url = base_urldef invoke(self, prompt):# 发送请求到 Ollamaresponse = requests.post(f"{self.base_url}/api/generate",json={"model": self.model_name,"prompt": prompt,"stream": False})if response.status_code == 200:result = response.json()return result.get("response", "")else:raise Exception(f"Error calling Ollama: {response.text}")# Step 3: 使用 LangChain 构建对话链
def build_langchain_chain(query_engine, ollama_llm):# 定义提示模板prompt = ChatPromptTemplate.from_messages([("system", "你是一个智能客服助手，以下是相关文档内容：\n{context}"),("human", "{query}")])# 将 LlamaIndex 查询引擎嵌入到 LangChain 链中def retrieve_context(query):response = query_engine.query(query)return response.response# 构建 LangChain 链路chain = ({"context": RunnablePassthrough() | retrieve_context, "query": RunnablePassthrough()}| prompt| ollama_llm.invoke)return chain

---

前端实现：使用 Streamlit 构建用户界面

import streamlit as st# 初始化后端逻辑
query_engine = build_knowledge_base()
ollama_llm = OllamaLLM(model_name="llama2")  # 使用本地 Ollama 模型
chain = build_langchain_chain(query_engine, ollama_llm)# Streamlit 应用界面
st.title("智能客服助手")
st.markdown("请输入您的问题，我们将为您快速解答！")# 用户输入框
user_query = st.text_input("您的问题：", "")if user_query:# 显示加载动画with st.spinner("正在为您查找答案..."):# 调用后端逻辑生成回答response = chain.invoke(user_query)# 显示回答st.subheader("回答：")st.write(response)# 显示上下文信息st.subheader("参考内容：")retrieved_context = query_engine.query(user_query).source_nodesfor i, node in enumerate(retrieved_context):st.write(f"**来源 {i+1}:** {node.node.text[:200]}...")

---

运行方式

1. 安装依赖：

   pip install llama-index langchain requests streamlit
   

2. 启动 Ollama：

   • 确保 Ollama 已安装并运行在本地（默认地址为 http://localhost:11434）。
   • 下载并加载目标模型（如 llama2）：

     ollama pull llama2
     

3. 启动应用：

   • 将上述代码保存为 app.py。
   • 在终端运行以下命令：

     streamlit run app.py
     

   • 打开浏览器访问 http://localhost:8501。

---

输出结果

界面截图

1. 首页布局：

2. 输入问题：

   • 用户输入问题：“公司2023年的主要产品有哪些？”

3. 生成回答：

   回答：
   根据知识库内容，公司2023年的主要产品包括智能客服系统、数据分析平台和区块链解决方案。参考内容：
   来源 1: 公司2023年发布了一系列新产品，其中包括智能客服系统...
   来源 2: 数据分析平台采用了最新的机器学习算法...
   

---

关键调整点解析

1. Ollama 模型调用：

   • 使用 requests.post 向 Ollama 的 /api/generate 接口发送请求。
   • 参数包括 model（模型名称）和 prompt（输入提示）。
   • 返回值为 JSON 格式，提取 response 字段作为模型输出。

2. LangChain 集成：

   • 自定义 OllamaLLM 类，提供与 LangChain 兼容的 invoke 方法。
   • 将 OllamaLLM.invoke 嵌入到链式调用中，替代原有的云端模型。

3. 性能优化：

   • 本地运行模型减少了网络延迟，提升了响应速度。
   • 可根据硬件性能选择合适的模型（如 llama2、mistral 等）。

---

应用场景

1. 离线环境：适用于无法访问云端服务的场景，如内网部署。
2. 隐私保护：数据完全在本地处理，避免敏感信息泄露。
3. 低成本运行：无需支付云端服务费用，适合预算有限的项目。

通过将大模型调用从云端切换为本地 Ollama，我们实现了更高的灵活性和隐私保护。结合 LlamaIndex 和 LangChain 的强大功能，以及 Streamlit 的友好界面，最终构建了一个高效、易用的智能客服应用。

如果你有任何疑问或想法，欢迎在评论区交流讨论！

---

总结

通过本案例，我们展示了如何将 LlamaIndex 和 LangChain 的强大功能与 Streamlit 的友好界面以及本地Ollama大模型API相结合，构建一个完整的智能客服应用。这种组合不仅提升了系统的功能性，还极大地改善了用户体验。

如果你有任何疑问或想法，欢迎在评论区交流讨论！