查询您的已索引数据

要有效利用组织成LlamaIndex索引的外部数据，主要目标是从中检索信息。仅仅对数据进行索引本身并没有多大用处；目的是提出问题并获得基于特定数据的相关回答。这就是LlamaIndex查询功能变得不可或缺的原因。

查询引擎接口

在LlamaIndex中，与您的已索引数据交互的主要方式是通过QueryEngine。可以将查询引擎看作是一个组件，它负责接收您的自然语言问题，在索引中查找最相关的信息片段（节点），然后（通常使用大型语言模型LLM）综合生成一个连贯的回答。

从现有索引创建基本查询引擎很简单。如果您有一个index对象（如前述索引章节所示创建），您可以像这样实例化一个查询引擎：

# 假设 'index' 是您之前创建的 LlamaIndex 索引对象
query_engine = index.as_query_engine()

这个简单的调用会设置一个默认查询引擎，其配置合理，适用于许多常见情况。

执行查询

一旦您有了query_engine对象，提问就像调用其query方法一样简单：

# 针对已索引数据提问
response = query_engine.query("What were the main findings of the research paper?")

# 打印由LLM综合生成的文本回答
print(response.response)

query方法接收您的提问作为字符串参数 (parameter)。在内部，LlamaIndex执行以下几个步骤：

1. 检索： 它搜索索引（通常使用向量 (vector)嵌入 (embedding)和相似度搜索）以找到包含与您查询最相关信息的节点。
2. 综合生成： 它获取检索到的节点（即上下文 (context)）和您的原始查询，将它们输入给大型语言模型（LLM），以生成自然语言回答。

这种先检索后综合的模式是检索增强生成（RAG）的根本，我们将在下一章更详细地介绍这种技术。

理解回答

query方法返回的对象不仅仅包含最终的文本回答。它通常会提供关于查询过程的重要元数据。

# 获取回答文本
print(f"回答文本:\n{response.response}\n")

# 获取用于生成回答的源节点
print("源节点:")
for node in response.source_nodes:
    print(f"  节点ID: {node.node_id}")
    print(f"  相似度得分: {node.score:.4f}")
    # 显示源文本片段
    print(f"  文本片段: {node.text[:150]}...")
    print("-" * 20)

两个最重要的属性通常是：

• response.response (或某些版本中的response.response_txt)：此属性包含由大型语言模型（LLM）基于检索到的上下文 (context)生成的最终综合回答字符串。
• response.source_nodes：这是一个NodeWithScore对象列表。每个对象代表从您的索引中检索到的一个数据块，该数据块被用作生成回答的上下文。检查这些节点对于以下方面非常有用：
  • 透明度： 了解LLM给出特定回答的原因。
  • 调试： 辨别检索步骤是否获取了不相关的信息或遗漏了重要上下文。
  • 验证： 让用户或开发人员能够将回答追溯到原始源文档。

source_nodes中的每个NodeWithScore对象通常包含：

• node：实际的TextNode（或其他节点类型）对象，包括其文本内容（node.text）和元数据。
• score：一个数值分数（通常是来自向量 (vector)搜索的相似度分数），表示在检索阶段该节点被认为与查询的相关程度。分数越高通常表示相关性越大。

以下是一个图表，它展示了基本的查询流程：

查询过程涉及查询引擎搜索索引、检索相关节点，并使用LLM根据查询和检索到的上下文来综合生成回答。

配置与定制

尽管index.as_query_engine()提供了一个方便的起点，LlamaIndex为查询引擎提供了丰富的定制选项。您可以配置以下方面：

• 要检索的节点数量（similarity_top_k）。
• 用于综合生成的具体大型语言模型（LLM）。
• 回答模式（大型语言模型LLM如何使用检索到的上下文 (context)）。
• 基于节点元数据的筛选。

这些高级配置使您能够微调 (fine-tuning)检索和综合生成过程，以在特定任务上获得更好的性能和相关性，我们将在讨论RAG系统时提及这些。

目前，创建默认查询引擎并检查综合回答及源节点的能力，提供了一种在大型语言模型（LLM）应用中使用您的已索引外部数据的有效机制。下一步是将此功能集成到更复杂的工作流程中，并构建完善的RAG管道。