探索LlamaIndex：如何用Django打造高效知识库检索
简介
LlamaIndex（前身为 GPT Index）是一个数据框架，为了帮助我们去建基于大型语言模型（LLM）的应用程序。
主要用于处理、构建和查询自定义知识库。
它支持多种数据源格式 excel，txt，pdf，md 等等，并且以创建高效的数据结构以便快速检索著称，允许我们用自然地语言区查询数据，而不需要学习复杂的查询语言或了解底层数据结构。
下面我们来看看怎么在 django 中使用 LlamaIndex 。
安装django模块
pip install llama-index
一个简单的例子：
我们进入项目根目录，建立 data 文件夹，提前准备好我们需要检索的文件
如下面图所示：
这里的文件可以是 pdf，doc，excel等，我这里准备了一个 txt 文件。
打开 tetsite/members/views.py 视图文件：
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
def llamaIndexOpenAiSearch(request):
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("钥匙说了什么")
return JsonResponse({'response': response})
进入路由文件 testsite/members/urls.py :
path('llama-index-open-ai-search/', views.llamaIndexOpenAiSearch, name='search'),
打开我们的api工具，或者浏览器
访问 http://127.0.0.1:8080/polls/llama-index-open-ai-search
对比一下我们的测试集txt，是不是检索答案就出来了，这个demo是一个很简单LlamaIndex 入门例子。
我们上面引用的是 llama-index-core 是 LlamaIndex 核心自定义包
让我们可以使用喜欢的 LLM 、嵌入和向量存储提供程序进行构建。
然而正在上面例子中，LlamaIndex 的 Vector-embeddings 默认指定的是 openai 的 LLM 进行 Vector-embeddings 嵌入，然后创建索引
from llama_index.core import VectorStoreIndex index = VectorStoreIndex.from_documents(documents)
持久化
文本被索引后，现在已经准备好进行查询了！
但是，嵌入所有文本可能非常耗时，如果您使用的是 openai 的 LLM，那么成本也会很高。
我们也可以使用下列方式存储索引数据持久保存到磁盘，如果不指定，便会存储在内存中：
index.storage_context.persist(persist_dir="")
然后，我们可以通过像这样加载持久索引来避免重新加载和重新索引数据：
from llama_index.core import StorageContext, load_index_from_storage # rebuild storage context storage_context = StorageContext.from_defaults(persist_dir="") # load index index = load_index_from_storage(storage_context)
假如我们想存储到向量数据库中，怎么做呢。
打开 tetsite/members/views.py 视图文件，新增一个方法视图：
import chromadb
from llama_index.core import VectorStoreIndex
from llama_index.core import StorageContext
def searchIndexVectory():
db = chromadb.PersistentClient(path="./chroma_db")
chroma_collection = db.get_or_create_collection("quickstart")
storage_context = StorageContext.from_defaults(vector_store=chroma_collection)
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_vector_store(
documents, storage_context=storage_context
)
query_engine = index.as_query_engine()
response = query_engine.query("人形机器人的发展点在哪里?")
return JsonResponse({'response': response})
记得运行之前更新一下 LlamaIndex 和 Chroma ，由于 llamaIndex 随时在更新，所以我们需要随时关注官网的动态，还有库的更新。
pip install -U llama-index chromadb
LlamaIndex本地模型
打开 tetsite/members/views.py 视图文件，新增一个方法视图：
def llamaIndexSearch(request):
加载文档
documents = SimpleDirectoryReader("data").load_data()
设置嵌入模型
embed_model = HuggingFaceEmbedding(model_name="sentence-transformers/all-MiniLM-L6-v2")
设置llm模型
llm = HuggingFaceLLM(
model_name="gpt2",
tokenizer_name="gpt2",
device_map="cpu",
generate_kwargs={"temperature": 0.7, "do_sample": False}
)
创建服务上下文
service_context = ServiceContext.from_defaults(
llm=llm,
embed_model=embed_model
)
创建索引
index = VectorStoreIndex.from_documents(
documents,
service_context=service_context
)
创建查询引擎
query_engine = index.as_query_engine()
执行查询
response = query_engine.query("钥匙说了什么")
运行过程中我们会看到python会自动帮我们下载 sentence-transformers/all-MiniLM-L6-v2 和 gpt2 模型
由于这是用的 HuggingFace的方式，所以模型会下载我们设置的 HF_HOME 目录。
所以我们可以提前配置这个目录，更好的管理模型。
import os os.environ['HF_HOME'] = '/path/to/new/cache/directory'
浏览器或接口访问 http://127.0.0.1:8080/polls/llama-index-search ，可以得到下面结果。
这里需要提一下，因为是本地模型，准确率取决于你选择的模型，还有硬件，所以一定要根据自己的事迹情况来选择
后面我会详细讲一下，每一种模型大概需要的硬件配置，和生成对应的效果，效率。
总结
LlamaIndex 确实是一个非常强大的工具，特别是在处理和检索大规模文本数据方面。
它还支持自定义数据加载器，以适应特殊的数据格式。支持数据分块和压缩，优化存储和检索效率。
里面的代码也可以看出它和可以与 Langchain 无缝集成，也解决了 Langchian 检索的问题，可以说 LlamaIndex 就是为检索而准备的工具。
LlamaIndex 的出现就成为构建智能文档检索、问答系统、知识管理平台等应用的强大工具。
它不仅简化了复杂的数据处理和 AI 集成过程，还提供了高度的灵活性和可扩展性，使其能够适应各种不同的用例和需求。
