基于开源AI数据框架LlamaIndex构建上下文增强型LLA应用_llamacloud 注册使用免费吗

引言

“将你的企业数据转化为可用于实际生产环境的LLM应用程序，”LlamaIndex主页用60号字体这样高亮显示。其副标题是“LlamaIndex是构建LLM应用程序的领先数据框架。”我不太确定它是否是业内领先的数据框架，但我认为它是一个与LangChain和Semantic Kernel一起构建大型语言模型应用的领先数据框架。

LlamaIndex目前提供两种开源语言框架和一个云端支持。一种开源语言是Python；另一种开源语言是TypeScript。LlamaCloud（目前处于个人预览版本）通过LlamaHub提供存储、检索、数据源链接，以及针对复杂文档的付费方式的专有解析服务LlamaParse，该服务也可作为独立服务提供。

LlamaIndex在加载数据、存储和索引数据、通过编排LLM工作流进行查询以及评估LLM应用程序的性能方面都具有优势。当前，LlamaIndex集成了40多个向量存储、40多个LLM和160多个数据源。其中，LlamaIndex Python代码存储库已获得超过30K的星级好评。

典型的LlamaIndex应用程序会执行问答、结构化提取、聊天或语义搜索，和/或充当代理。它们可以使用检索增强生成（RAG）技术将LLM与特定的数据源联系起来，这些源通常不包括在模型的原始训练集中。

显然，LlamaIndex框架将会与LangChain、Semantic Kernel和Haystack等框架展开市场竞争。不过，并非所有这些框架都有完全相同的应用范围和功能支持，但就流行程度而言，LangChain的Python代码仓库有超过80K的星级好评，几乎是LlamaIndex（超过30K的星级好评）的三倍，而相对最晚出现的Semantic Kernel已经获得超过18K的星级好评，略高于LlamaIndex的一半，Haystack的代码仓库有超过13K的星级好评。

上述好评结果是与代码仓库的年龄密切相关的，因为星级好评会随着时间的推移而积累；这也是为什么我用“超过”来修饰星级好评数的原因。GitHub上的星级好评数与历史进程中的流行度存在松散的相关性。

LlamaIndex、LangChain和Haystack都拥有许多大公司作为用户，其中一些公司使用了不止一个这样的框架。Semantic Kernel来自微软，除了案例研究之外，微软通常不会公布用户数据。

LlamaIndex框架可帮助你将数据、嵌入、LLM、向量数据库和求值连接到应用程序中。这些支持可以用于问答、结构化提取、聊天、语义搜索和代理等环境。

LlamaIndex框架的功能

从高层面来看，LlamaIndex框架的开发主旨在帮助你构建上下文增强的LLM应用程序，意味着你可以将自己的私有数据与大型语言模型相结合。上下文增强LLM应用程序的示例包括问答聊天机器人、文档理解和提取以及自动化代理等领域。

LlamaIndex提供的工具可执行数据加载、数据索引和存储、使用LLM查询数据以及评估LLM应用程序的性能：

• 数据连接器从其本机源和格式中获取现有数据。
• 数据索引，也称为嵌入，以中间表示形式构建数据。
• 引擎提供对数据的自然语言访问。其中包括用于回答问题的查询引擎，以及用于与你的数据进行多消息对话的聊天引擎。
• 代理是LLM驱动的知识工具，结合其他软件工具增强性能。
• 可观察性/评估集成使你能够对应用程序进行实验、评估和监控。

上下文增强

LLM受过大量文本的训练，但不一定是关于你的领域的文本信息。当前，存在三种主要方法可以执行上下文增强并添加有关域的信息，即提供文档、执行RAG和微调模型。

首先，最简单的上下文扩充方法是将文档与查询一起提供给模型，为此你可能不需要LlamaIndex。除非文档的总大小大于你正在使用的模型的上下文窗口；否则，提供文档是可以正常工作的，这在最近还是一个常见的问题。现在，有了具有百万个标记上下文窗口的LLM，这可以使你在执行许多任务时避免继续下一步操作。如果你计划对一百万个标记语料库执行许多查询，那么需要对文档进行缓存处理；但是，这是另外一个待讨论的话题了。

检索增强生成在推理时将上下文与LLM相结合，通常与向量数据库相结合。RAG过程通常使用嵌入来限制长度并提高检索到的上下文的相关性，这既绕过了上下文窗口的限制，又增加了模型看到回答问题所需信息的概率。

从本质上讲，嵌入函数获取一个单词或短语，并将其映射到浮点数的向量；这些向量通常存储在支持向量搜索索引的数据库中。然后，检索步骤使用语义相似性搜索，通常使用查询嵌入和存储向量之间的角度的余弦，来找到“附近”的信息，以便在增强提示中使用。

微调LLM是一个有监督的学习过程，涉及到根据特定任务调整模型的参数。这是通过在一个较小的、特定于任务或特定于领域的数据集上训练模型来完成的，该数据集标有与目标任务相关的样本。使用许多服务器级GPU进行微调通常需要数小时或数天时间，并且需要数百或数千个标记的样本。

安装LlamaIndex

你可以通过三种方式安装Python版本的LlamaIndex：从GitHub存储库中的源代码，使用llama index starter安装，或者使用llama-index-core结合选定的集成组件。starter方式的安装如下所示：

pip install llama-index

除了LlamaIndex核心之外，这种安装方式还将安装OpenAI LLM和嵌入。注意，你需要提供OpenAI API密钥（请参阅链接https://platform.openai.com/docs/quickstart），然后才能运行使用这种安装方式的示例。LlamaIndex starter程序示例非常简单，基本上仅包含经过几个简单的设置步骤后的五行代码。在官方的代码仓库中还提供了更多的例子和有关参考文档。

进行自定义安装可能看起来像下面这样：

pip install llama-index-core llama-index-readers-file llama-index-llms-ollama llama-index-embeddings-huggingface

这将安装一个Ollama和Hugging Face嵌入的接口。此安装还提供一个本地starter级的示例。无论从哪种方式开始，你都可以使用pip添加更多的接口模块。

如果你更喜欢用JavaScript或TypeScript编写代码，那么你可以使用LlamaIndex.TS。TypeScript版本的一个优点是，你可以在StackBlitz上在线运行示例，而无需任何本地设置。不过，你仍然需要提供一个OpenAI API密钥。

LlamaCloud和LlamaParse

LlamaCloud是一个云服务，允许你上传、解析和索引文档，并使用LlamaIndex进行搜索。当前，该项服务仍处于个人alpha测试阶段，我无法访问它。

LlamaParse作为LlamaCloud的一个组件，允许你将PDF解析为结构化数据；它可以通过REST API、Python包和Web UI获得。这个组件目前处于公测阶段。在每周前7K页的免费试用之后，你可以注册使用LlamaParse，只需支付少量的使用费。官网上提供的有关针对苹果10K大小文件基础上的对于LlamaParse和PyPDF比较的例子令人印象深刻，但我自己没有测试过。

LlamaHub

LlamaHub让你可以访问LlamaIndex的大量集成，其中包括代理、回调、数据加载程序、嵌入以及大约17个其他类别。通常，这些集成内容位于LlamaIndex存储库、PyPI和NPM中，你可以使用pip-install或NPM-install加载使用。

create-llama CLI

create-lama是一个命令行工具，用于生成LlamaIndex应用程序。这是开始使用LlamaIndex的快速方法。生成的应用程序中包含一个Next.js驱动的前端和三种后端方案可供选择。

RAG-CLI

RAG CLI也是一个命令行工具，用于与LLM交流你在计算机上本地保存的文件。这只是LlamaIndex的众多使用场景案例之一，不过这种情况非常普遍。

LlamaIndex组件

LlamaIndex组件指南会为你提供有关LlamaIndex各个部分的具体帮助。下面的第一个屏幕截图显示了组件指南菜单。第二个显示了提示的组件指南，滚动到关于自定义提示的部分。

LlamaIndex组件指南记录了构成框架的不同部分，其中介绍了相当多的组件。

我们正在研究这种提示词的使用模式。这个特殊的例子展示了如何自定义问答提示，以莎士比亚戏剧的风格回答问题。值得注意的是，这是一个零样本提示，因为它没有提供任何示例。

学习LlamaIndex

一旦你阅读、理解并用你喜欢的编程语言（Python或TypeScript）运行了入门示例，我建议你尽可能多地阅读、理解和尝试其他看起来更有趣的一些示例。下面的屏幕截图显示了通过运行essay.ts并使用chatEngine.ts询问相关问题来生成一个名为essay的文件的结果。这是一个使用RAG进行问答的示例。

其中，chatEngine.ts程序使用LlamaIndex的ContextChatEngine、Document、Settings和VectorStoreIndex等组件。当我分析其源代码时，我看到它依赖于OpenAI gpt-3.5-turb-16k模型；这种情况可能会随着时间的推移而改变。如果我对文档的分析是正确的话，那么VectorStoreIndex模块使用了开源的、基于Rust的Qdrant向量数据库。

在用我的OpenAI密钥设置了终端环境后，我运行essay.ts来生成一个散文题材的文件，并运行chatEngine.ts来实现有关此文章的查询。

为LLM提供上下文

正如你所看到的，LlamaIndex非常容易用于创建LLM应用程序。我能够针对OpenAI LLM和RAG Q&A应用程序的文件数据源进行测试。值得注意的是，LlamaIndex集成了40多个向量存储、40多个LLM和160多个数据源；它适用于几种使用场景，包括Q&A问答、结构化提取、聊天、语义搜索和代理应用等。

最后，我建议你认真评估LlamaIndex与LangChain、Semantic Kernel和Haystack等框架。这其中的一个或多个很可能会满足你的需求。当然，我不能笼统地推荐其中某一个，因为不同的应用程序会有不同的要求。

LlamaIndex优点

1. 帮助创建问答、结构化提取、聊天、语义搜索和代理等类型的LLM应用程序
2. 支持Python和TypeScript
3. 框架是免费和开源的
4. 提供大量示例和集成组件

LlamaIndex不足

1. 云环境仅限于私人预览
2. 营销有点言过其实

LlamaIndex费用

开源：免费。

LlamaParse导入服务：每周免费支持7K页的文档，然后每1000页需要支付3美元。

平台支持

支持Python和TypeScript，以及云端SaaS（目前处于私人预览状态）。