索引概述

數據加載完成后，您將獲得一個文檔對象(Document)列表（或節點(Node)列表）。接下來需要為這些對象構建索引(Index)，以便開始執行查詢。

索引（Index） 是一種數據結構，能夠讓我們快速檢索與用戶查詢相關的上下文。在 LlamaIndex 中，它是實現檢索增強生成（RAG, Retrieval-Augmented Generation）應用的核心基礎。

從高層次來看，索引 由 文檔（Documents） 構建而成，并用于創建 查詢引擎（Query Engines） 和 聊天引擎（Chat Engines），從而支持基于數據的問答和對話功能。

在底層實現中，索引將數據存儲在 節點（Node） 對象中（每個節點代表原始文檔的一個片段），并通過 檢索器（Retriever） 接口提供額外的配置和自動化支持。

在LlamaIndex的術語中，Index（索引）是一種由Document（文檔）對象構成的數據結構，旨在讓大語言模型（LLM）能夠進行查詢。

什么是嵌入？

向量嵌入（vector embeddings） 是大語言模型（LLM）應用運行的核心機制。

向量嵌入（vector embedding，通常簡稱為embedding）是對文本語義或含義的數值化表征。即使實際文字差異很大，含義相似的兩段文本其向量嵌入在數學上也會高度相似。

這種數學關系實現了語義搜索——用戶只需提供查詢詞，LlamaIndex 就能找到與查詢詞含義相關的文本（而非簡單的關鍵詞匹配）。這正是檢索增強生成（Retrieval-Augmented Generation）技術的核心原理，也是大語言模型（LLMs）的基礎運作機制。

嵌入模型（embeddings）存在多種類型，它們在效率、效果和計算成本上各有差異。默認情況下，LlamaIndex 采用的是 OpenAI 的默認嵌入模型 text-embedding-ada-002。若您使用不同的大語言模型（LLM），通常也需要搭配不同的嵌入模型。

索引的分類

本指南通過圖示說明每種索引的工作原理。

術語解釋：

• 節點（Node）：對應文檔中的一段文本塊。LlamaIndex 接收文檔對象（Document），并在內部將其解析/分塊為多個節點對象（Node）。

• 響應合成（Response Synthesis）：我們的模塊，負責根據檢索到的節點合成響應。您可以了解如何指定不同的響應模式。

摘要索引

摘要索引 Summary Index （原列表索引）的核心機制是將所有節點（Node）按順序鏈式存儲，形成一個線性結構。

向量存儲索引

向量存儲索引（Vector Store Index）會將每個節點（Node）及其對應的嵌入向量（embedding）存儲到向量數據庫（Vector Store）中。

樹狀索引

樹狀索引（Tree Index）會從一組節點（這些節點在樹中成為葉節點）構建出層次化樹形結構。

關鍵字表索引

關鍵字表索引（Keyword Table Index）通過建立關鍵詞到節點的映射關系實現高效檢索。該索引會提取每個節點的文本內容生成關鍵詞列表，并在查詢時通過關鍵詞匹配快速定位相關節點。

屬性圖索引

屬性圖索引（Property Graph Index）的工作原理是首先構建包含標記節點和關系的知識圖譜。該圖譜的構建過程具有高度可定制性：既可以讓大語言模型（LLM）自由提取內容，也可以按照嚴格模式進行提取，甚至支持用戶自定義提取模塊的實現。

VectorStoreIndex

向量存儲索引（VectorStoreIndex）是目前最常用的索引類型。該索引會先將您的文檔（Documents）分割成多個節點（Nodes），然后為每個節點的文本內容生成向量嵌入（vector embeddings），最終使大語言模型（LLM）能夠對這些數據進行查詢。

向量存儲（Vector Stores） 是檢索增強生成（RAG）的核心組件，因此幾乎在所有基于 LlamaIndex 開發的應用中——無論是直接還是間接使用——都會涉及它。

向量存儲（Vector Stores）接收一組節點（Node）對象，并基于這些節點構建索引。

工作原理

向量存儲索引（Vector Store Index）通過調用大語言模型（LLM）的API接口，將您的所有文本轉化為向量嵌入（embeddings）——這就是所謂"文本向量化"（embeds your text）的實質過程。

當執行向量搜索時，您的查詢語句會首先被轉化為向量嵌入，隨后向量存儲索引（VectorStoreIndex）會通過數學運算，根據所有嵌入向量與查詢語句的語義相似度進行排序檢索。

當排序完成后，向量存儲索引（VectorStoreIndex）會返回相似度最高的向量嵌入及其對應的原始文本片段。系統返回的嵌入數量由參數 k 決定，因此該控制參數被命名為 top_k。這種檢索方式由此得名 "top-k 語義檢索"。

Top-K 檢索是向量索引查詢中最基礎的形式。當您閱讀后續的[查詢]章節時，將會接觸到更復雜、更精細的檢索策略。

創建索引

使用 from_documents 方法創建索引

使用向量存儲（Vector Store）最簡單的方式就是加載一組文檔，并通過 from_documents 方法直接構建索引：

from llama_index import VectorStoreIndex, SimpleDirectoryReader# 1. 加載文檔（例如讀取本地"data/"目錄下的所有文件）
documents = SimpleDirectoryReader("data/").load_data()# 2. 一鍵構建向量索引（自動完成文本分塊、向量化和存儲）
index = VectorStoreIndex.from_documents(documents)

from_documents 方法還支持一個可選參數 show_progress。將其設為 True，即可在索引構建過程中顯示進度條。

# 示例：啟用構建進度條  
index = VectorStoreIndex.from_documents(documents=documents, show_progress=True  # ← 顯示實時進度
)

當您使用 from_documents方法時，您的文檔會被分割成多個文本塊，并解析為Node對象——這是一種對文本字符串的輕量級抽象結構，能夠持續追蹤元數據和關聯關系。

默認情況下，VectorStoreIndex會將所有數據存儲在內存中，VectorStoreIndex 會以每批 2048 個節點的規模生成并插入向量。如果您的內存資源有限（或內存充裕），可以通過傳入 insert_batch_size=2048 參數并指定您期望的批次大小來調整這一設置。

通過Nodes節點創建索引

如需完全掌控索引構建過程，您可以直接手動創建并配置節點Nodes，然后將其傳入索引構造函數：

from llama_index.core.schema import TextNodenode1 = TextNode(text="<text_chunk>", id_="<node_id>")
node2 = TextNode(text="<text_chunk>", id_="<node_id>")
nodes = [node1, node2]
index = VectorStoreIndex(nodes)