本文首发于博客 LLM 应用开发实践

随着 LangChain + LLM 方案快速普及，知识问答类应用的开发变得容易，但是面对回答准确度要求较高的场景，则暴露出一些局限性，比如向量查询方式得到的内容不匹配，LLM 对意图识别不准。所以 LlamaIndex(也称为 GPT Index)由社区顺势推出，是一个开发者友好的接口，它将外部数据连接到 LLM，提供了一系列工具来简化流程，包括可以与各种现有数据源和格式(如 api、pdf、文档和 SQL 等)集成的数据连接器，极大的改善了上述问题。本文译自 LlamaIndex: How to Use Index Correctly，翻译内容并非原版无对照翻译，有所增减。

LlamaIndex索引

列表索引

它对于综合跨多个数据源的信息的答案非常有用

列表索引是一种简单的数据结构，其中节点按顺序存储。在索引构建期间，文档文本被分块、转换为节点并存储在列表中。

在查询期间，如果没有指定其他查询参数，LlamaIndex只是将列表中的所有node加载到Response Synthesis模块中。

列表索引提供了许多查询列表索引的方法，从基于嵌入的查询中获取前k个邻居，或者添加一个关键字过滤器，如下所示:

LlamaIndex为列表索引提供Embedding支持。除了每个节点存储文本之外，每个节点还可以选择存储Embedding。在查询期间，我们可以在调用LLM合成答案之前，使用Embeddings对节点进行最大相似度检索。

在索引构建过程中，LlamaIndex不会生成Embedding，而是在查询时生成，这种设计避免了在索引构建期间为所有文本块生成Embeddings，这可能会导致大量数据的开销。

向量存储索引

它是最常见且易于使用的，允许对大型数据语料库回答查询

默认情况下，GPTVectorStoreIndex 使用内存中的 SimpleVectorStore作为默认存储上下文的一部分初始化，基于向量存储的索引在索引构建期间生成Embeddings

树状索引

它对总结一组文件很有用

树状索引是树结构索引，其中每个节点是子节点的摘要。在索引构建期间，树以自下而上的方式构建，直到我们最终得到一组根节点。树状索引从一组节点(成为该树中的叶节点)构建层次树。

查询树状索引涉及从根节点向下遍历到叶节点。默认情况下(child_branch_factor=1 )，查询在给定父节点的情况下选择一个子节点。如果child_branch_factor=2，则查询在每个级别选择两个子节点。

为了在查询期间构建树状索引，我们需要将retriver_mode和response_mode添加到查询引擎，并将GPTTreeIndex中的build_tree参数设置为False

index_light = GPTTreeIndex.from_documents(documents, build_tree=False)
query_engine = index_light.as_query_engine(retriever_mode="all_leaf",response_mode='tree_summarize',
)
query_engine.query("What is net operating income?")

关键词表索引

他对于将查询路由到不同的数据源非常有用

关键字表索引从每个Node提取关键字，并构建从每个关键字到该关键字对应的Node的映射。

在查询时，从查询中提取相关关键字，并将其与预提取的Node关键字进行匹配，获取相应的Node。提取的节点被传递到响应合成模块。

• GPTKeywordTableIndex- 使用LLM从每个文档中提取关键字，这意味着它确实需要在构建期间调用LLM

• GPTSimpleKeywordTableIndex- 使用regex关键字提取器从每个文档中提取关键字，在构建期间不会调用LLM

可组合性图索引

它对于构建知识图谱很有用

使用LlamaIndex，您可以通过在现有索引之上构建索引来创建复合索引。该特性使您能够有效地索引完整的文档层次结构，并为GPT提供量身定制的知识。

通过利用可组合性，可以在多个级别定义索引，例如为单个文档定义低级索引，为文档组定义高级索引。考虑下面的例子:

• 可以为每个文档中的文本创建树索引。
• 生成一个列表索引，涵盖所有的树索引为整个文档集合。

通过一个场景来演示可组合性图索引的能力:

• 从多个文档创建树索引
• 从树索引生成摘要
• 接下来在3个树索引的顶部创建一个列表索引的图，因为列表索引适合于合成跨多个数据源组合信息的答案
• 最后查询图

from llama_index.indices.composability import ComposableGraphfrom langchain.chat_models import ChatOpenAI
from llama_index import LLMPredictor# setting up vector indicies for each year
service_context = ServiceContext.from_defaults(chunk_size_limit=512)
index_set = {}
for year in years:storage_context = StorageContext.from_defaults()cur_index = GPTVectorStoreIndex.from_documents(documents=doc_set[year],service_context=service_context,storage_context=storage_context)index_set[year] = cur_index# store index in the local env, so you don't need to do it over againstorage_context.persist(f'./storage_index/apple-10k/{year}')# define an LLMPredictor set number of output tokens
llm_predictor = LLMPredictor(llm=ChatOpenAI(temperature=0, max_tokens=512, model_name='gpt-3.5-turbo'))
service_context = ServiceContext.from_defaults(llm_predictor=llm_predictor)
storage_context = StorageContext.from_defaults()\## define a list index over the vector indicies 
## allow us to synthesize information across  each index
index_summary = [index_set[year].as_query_engine().query("Summary this document in 100 words").response for year in years]
graph = ComposableGraph.from_indices(GPTListIndex,[index_set[y] for y in years],index_summaries=index_summary,service_context=service_context,storage_context=storage_context
)root_id = graph.root_id#save to disk
storage_context.persist(f'./storage_index/apple-10k/root')## querying graph
custom_query_engines = {index_set[year].index_id: index_set[year].as_query_engine() for year in years
}query_engine = graph.as_query_engine(custom_query_engines=custom_query_engines
)response = query_engine.query("Outline the financial statement of Q2 2023")
response.response

Pandas索引和SQL索引

它对结构化数据很有用

from llama_index.indices.struct_store import GPTPandasIndex
import pandas as pddf = pd.read_csv("titanic_train.csv")index = GPTPandasIndex(df=df)query_engine = index.as_query_engine(verbose=True
)
response = query_engine.query("What is the correlation between survival and age?",
)

文档摘要索引

这是一个全新的LlamaIndex数据结构，它是为了问答而制作的。

通常，大多数用户以以下方式开发基于LLM的QA系统:

1. 获取源文档并将其分成文本块。
2. 然后将文本块存储在矢量数据库中。
3. 在查询期间，通过使用相似度和/或关键字过滤器进行Embedding来检索文本块。
4. 执行整合后的响应。

然而，这种方法存在一些影响检索性能的局限性：

1. 文本块没有完整的全局上下文，这通常限制了问答过程的有效性。
2. 需要仔细调优top-k /相似性分数阈值，因为过小的值可能会导致错过相关上下文，而过大的值可能会增加不相关上下文的成本和延迟。
3. Embeddings可能并不总是为一个问题选择最合适的上下文，因为这个过程本质上是分别决定文本和上下文的。

为了增强检索结果，一些开发人员添加了关键字过滤器。然而，这种方法有其自身的挑战，例如通过手工或使用NLP关键字提取/主题标记模型为每个文档确定适当的关键字，以及从查询中推断正确的关键字。

这就是 LlamaIndex 引入文档摘要索引的原因，它可以为每份文档提取非结构化文本摘要并编制索引，从而提高检索性能，超越现有方法。该索引比单一文本块包含更多信息，比关键字标签具有更多语义。它还允许灵活的检索，包括基于 LLM 和嵌入的方法。在构建期间，该索引接收文档并使用 LLM 从每个文档中提取摘要。在查询时，它会根据摘要使用以下方法检索相关文档：

• 基于 LLM 的检索：获取文档摘要集合并请求 LLM 识别相关文档+相关性得分
• 基于嵌入的检索：利用摘要嵌入相似性来检索相关文档，并对检索结果的数量施加顶k限制。

文档摘要索引的检索类为任何选定的文档检索所有节点，而不是在节点级返回相关块。

知识图谱索引

它通过在一组文档中提取知识三元组（主语、谓语、宾语）来建立索引。
在查询时，它既可以只使用知识图谱作为上下文进行查询，也可以利用每个实体的底层文本作为上下文进行查询。通过利用底层文本，我们可以针对文档内容提出更复杂的查询。

索引成本和索引时间

• 索引的成本是一个需要考虑的重要因素，在处理海量数据集时，这一点尤为重要。
• 索引速度，整个解决方案的运行准备时间。索引时间各不相同，但都是一次性的，通常 40 页的 PDF 文件大约需要 5 秒钟。试想一下，如果一个庞大的数据集超过 10 万页，可能需要几天时间，可以利用异步方法来缩短索引时间。

更多内容在公号：LLM 应用全栈开发