高效检索的数据索引

数据一旦转换为 LlamaIndex 的 Document 对象，还需要进一步组织才能供 LLM 高效使用。仅仅拥有这些原始数据是不足够的。想象一下，在海量、杂乱无章的书中寻找特定句子，与在整理完善的图书馆中查找它进行对比。索引就是为您的数据构建这种图书馆目录的过程。

LlamaIndex 中索引的目的是以一种方式组织您已加载的数据，使您之后提出查询时能够快速轻松地找到最相关的信息片段。这些相关信息最终将作为上下文 (context)提供给 LLM，从而实现我们稍后将构建的检索增强生成（RAG）过程。

从文档到节点

在检索阶段，LlamaIndex 通常不直接使用整个文档。相反，它将 Document 对象分解成更小、更易于管理的块，称为 Nodes（节点）。每个 Node 通常代表从原始 Document 中派生出的一段文本（例如一个段落或几句话），以及将其链接回其来源的元数据。

为什么要将文档分成小块？

1. 粒度: 较小的块允许更精确的匹配。当用户提出问题时，您通常只需要一个特定的段落或句子作为上下文 (context)，而不是整个文档。
2. 效率: 处理和嵌入 (embedding)较小的文本块在计算上所需的资源比处理大型文档要少。
3. 上下文窗口限制: LLM 对一次能处理的文本量（即上下文窗口）有限制。提供较小、高度相关的块比用冗长、不那么相关的文本使模型过载更有效。

LlamaIndex 在索引过程中会自动处理这种分块，但如果需要，您可以自定义分块策略。

嵌入 (embedding)的作用

数据分解成 Nodes 后，LlamaIndex 通常会创建这些节点的数值表示，称为嵌入。嵌入是由机器学习 (machine learning)模型（嵌入模型）生成的向量 (vector)（数字列表），它们捕获文本的语义含义。含义相似的节点在向量空间中将拥有数学上彼此接近的嵌入。

可以把它想象成在地图上为每个 Node 分配坐标，其中讨论相似主题的 Nodes 位于彼此附近。当您之后查询索引时，LlamaIndex 会将您的查询嵌入到相同的向量空间中，并查找其嵌入与查询嵌入最接近的 Nodes。这个过程被称为相似性搜索。

常见的嵌入模型包括 OpenAI、Cohere 的模型，或者通过 Hugging Face 的 transformers 或 Sentence Transformers 等库获得的开源模型。LlamaIndex 与其中许多模型集成，如果您不指定，通常会使用默认模型。

创建索引

有了 Nodes 及其对应的嵌入 (embedding)，LlamaIndex 会构建一个 Index（索引）。索引是一种数据结构，它组织 Nodes 及其嵌入，以实现高效的查询。

LlamaIndex 中存在多种类型的索引，但用于相似性搜索的最常见和多功能的是 VectorStoreIndex。该索引存储 Node 嵌入（通常在称为向量 (vector)存储的专用数据库中），并允许快速搜索以找到与给定查询语义最相似的 Nodes。

让我们看看如何构建一个基本的 VectorStoreIndex。假设您已加载了一系列 Document 对象（如前一节所述，我们称之为 documents）：

from llama_index.core import VectorStoreIndex, Settings
from llama_index.embeddings.openai import OpenAIEmbedding # 或其他嵌入模型
# 使用 OpenAI 嵌入的示例（需要设置 OPENAI_API_KEY）
# 您可以用 LlamaIndex 支持的其他嵌入模型替换此项。
Settings.embed_model = OpenAIEmbedding()

# 从加载的文档创建索引
index = VectorStoreIndex.from_documents(documents)

print("索引创建成功！")

这个简单的命令在后台执行了几个步骤：

1. 它接收输入的 documents。
2. 它根据默认设置解析这些文档并将其分割成 Nodes。
3. 它使用配置的嵌入模型（此处通过 Settings 使用 OpenAIEmbedding）为每个 Node 生成嵌入。
4. 它将这些 Nodes 及其嵌入存储在内存中的向量存储结构中，从而创建 VectorStoreIndex。

下图展示了这一流程：

数据从原始文档到可查询的 LlamaIndex 索引的流程，包括加载、分割成节点、嵌入和存储在索引结构中。

数据索引完成后，它已为高效检索做好了结构化准备。下一步是学习如何对这个索引提出问题（查询），以找到 LLM 所需的相关信息。

持久化索引

构建索引，特别是生成嵌入 (embedding)，可能需要时间和计算资源，尤其是对于大型数据集。您通常不希望每次应用程序启动时都重新构建索引。LlamaIndex 允许您将索引持久化（保存）到磁盘，并在以后重新加载它。

from llama_index.core import StorageContext, load_index_from_storage

# 定义索引将存储的路径
PERSIST_DIR = "./storage"

# 将索引保存到磁盘
index.storage_context.persist(persist_dir=PERSIST_DIR)
print(f"索引已保存到 {PERSIST_DIR}")

# 稍后从磁盘加载索引
# 创建一个指向持久化目录的默认存储上下文
storage_context = StorageContext.from_defaults(persist_dir=PERSIST_DIR)

# 加载索引（需要相同的嵌入模型配置）
loaded_index = load_index_from_storage(storage_context)
print("索引加载成功！")

通过持久化索引，您可以将可能耗时的索引过程与应用程序的查询阶段分离，从而大大加快启动速度。我们将在 RAG 章中介绍更高级的存储选项和向量 (vector)存储。