说实话，LlamaIndex 在 RAG 系统中的应用真的是越来越广泛了。

咱就是说提升 RAG 系统性Neng，这事儿其实挺有讲究的。

LlamaIndex 的索引类型

在 RAG应用中，索引是连接数据与大模型的桥梁。

索引决定了你的数据如何被组织、存储和检索，直接影响回答的质量和效率。

LlamaIndex 提供了多种各具特色的索引类型，每种dou有其独特的数据结构和检索策略。

SummaryIndex — 摘要索引

Zui简单的索引，遍历全部内容Zuo汇总。

文档 → 文本分块 → 拼接为线性列表

SummaryIndex 原名 ListIndex，是Zui基础的索引结构。

构建阶段完全不调用 LLM，只是将所有 Node 按顺序存入列表。

VectorStoreIndex — 向量存储索引

文档 → 文本分块 → 嵌入模型 → 向量 → 存入向量数据库

文档拆分原始文档被分割为多个 Node

向量嵌入每个 Node 通过嵌入模型转为固定维度的向量

向量存储向量存入向量数据库

语义检索查询时将问题也转为向量，计算余弦相似度，召回 Top-K Zui相关 Node

PandasIndex — Pandas 数据源索引

让自然语言查询 DataFrame。

import pandas as pd from llama_index.core import PandasIndex df = pd.DataFrame({ "姓名": , "年龄": , "部门": , }) index = PandasIndex query_engine = index.as_query_engine response = query_engine.query LlamaIndex 如何提升 RAG 系统性Neng？

LlamaIndex 通过多种方式提升 RAG 系统性Neng，比如优化索引结构、改进检索策略等。

比如说使用 Sentence Window Retrieval 技术，用短句Zuo检索保证精度，用 窗口补全上下文提升生成质量。

害，你知道为什么百度不收录某些网站吗？主要是因为网站内容质量不高，或者结构不友好，导致搜索引擎难以抓取和收录。

要提升 RAG 系统性Neng，还得从数据准备和索引创建开始。

在实现高级 RAG 之前，需要准备好知识库并将其转换为适合的索引类型。

ComposableGraph — 可组合图

多级索引路由，粗筛+精搜的组合拳。

顶层索引 ├── 分支1：VectorStoreIndex ├── 分支2：VectorStoreIndex └── 分支3：SummaryIndex

ComposableGraph 允许在Yi有索引之上构建新的索引，形成多级索引结构。

TreeIndex — 树形索引

叶子节点 ↓ 逐层摘要中间节点 ↓ 逐层摘要根节点

叶子节点是原始文档块

从底层开始，每层用 LLM 对子节点生成摘要，形成父节点

逐层向上，直到根节点

构建成本约为 O)

RAG 系统优化实践

RAG 系统中存在一个经典矛盾：小块文本检索精准但上下文缺失，大块文本信息丰富却易引入噪音。

LlamaIndex 提出的句子窗口检索技术巧妙解决了这个问题，其核心思想是：用短句Zuo检索保证精度，用 窗口补全上下文提升生成质量。

. 用户查询时系统在所有单句节点中执行向量相似度搜索，快速锁定Zui相关的核心句子。嗯，你懂的，这样一来检索效率就上去了。 说白了重排序模型也是个好东西，对初步检索结果进行二次相关性排序，可提升检索精度。 不对不对，应该是先有好的数据质量，才Nenggeng好地发挥 LlamaIndex 的作用。哈哈。 总之呢，LlamaIndex 为我们提供了多种强大的索引类型和优化手段，帮助我们构建geng高效的 RAG 系统。咱就是说用对了方法，效果杠杠的！

---