构建Agents框架|LlamaIndex使用概览

高级RAG(三):llamaIndex从小到大的检索 LlamaIndex是一个用于连接大语言模型(LLMs)和外部数据源的数据框架,它可以让LLMs访问和利用私有或领域特定的数据。数据连接:支持从本地文件、Notion、Google文档、Slack、Discord等多种数据源读取数据。数据索引:支持构建不同类型的索引结构,如列表索引、向量索引、树形索引、关键词表索引等,以便快速检索和过滤数据。查询接口:支持使用自定义的输入提示(prompt)与LLMs进行交互,以获取知识增强的响应。 阅读详情

01 前言

LlamaIndex起初命名为“GPT Index”,为了解决OpenAI的GPT系列模型长上下文限制的问题。

23年项目重构并命名为LlamaIndex,支持连接更多模型和数据源,发展成一个全面的数据框架,实现大模型上下文增强。

如今,LlamaIndex已经是一个支持智能体开发的框架,官方最新定义:LlamaIndex是一个领先框架,通过LLM和Workflow,结合你的私有数据创建由LLM驱动的智能体应用。

02 功能概览

LlamaIndex项目可以分为3部分:

LlamaIndex Framework、Workflows、LlamaCloud。

LlamaIndex Framework是构建RAG系统(Retrieval-augmented Generation. 即检索增强生成)与智能体(Agent)应用的底层基础框架。

LlamaIndex Workflows是用于自由编排与稳定运行多步骤复杂任务的高级工作流引擎。

LlamaCloud是LlamaIndex官方的云托管服务平台,提供数据解析、提取与索引等一体化服务。最新测试版已扩展支持Agent构建与发布

在功能层面上,LlamaIndex支持包括构建Agent、Workflows以及上下文增强能力。

  • Agent:

    LlamaIndex提供了构建Agent的框架,支持Agent自主调用配置的工具来完成复杂任务,RAG也可以作为工具被使用。

  • Workflows:

    通过连接和编排一个或多个Agent、数据检索、工具调用等步骤,完成复杂任务。LlamaIndex提供了一种以事件驱动的工作流引擎。

  • 上下文增强:

    针对个人和企业的私有数据,LlamaIndex提供了包括解析、提取、索引和查询数据等工具,不管数据来源是API、PDF或数据库,LlamaIndex都可以轻松集成到LLM驱动的应用中。以RAG系统最为典型。

03 快速上手

先用一个简单的示例看下LlamaIndex的使用方式。

1、导入相关依赖。LLM使用DeepSeek,向量模型使用DashScope系列。

pip3 install llama-index
pip3 install llama-index-llms-deepseek
pip3 install llama-index-embeddings-dashscope

2、示例代码

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.llms.deepseek import DeepSeek
from llama_index.embeddings.dashscope import DashScopeEmbedding
from llama_index.core.settings import Settings
# 定义模型
llm = DeepSeek(model="deepseek-chat",
api_key="sk-xxx")
dashscope_embed_model = DashScopeEmbedding(
model_name="text-embedding-v3",
api_key="sk-xxx")
# 定义文档加载
documents = SimpleDirectoryReader("./data").load_data()
# 索引对象,自动解析和分词,
# 默认分词SentenceSplitter类
# 向量存储SimpleVectorStore类(基于内存)
index = VectorStoreIndex.from_documents(
documents,
embed_model=dashscope_embed_model
)
# 单轮提问,RetrieverQueryEngine类实例
query_engine = index.as_query_engine(
llm=llm,
verbose=True
)
# 检索
res = query_engine.query("育儿知识介绍")
print(res)

首先定义LLM和EmbedModel;然后通过SimpleDirectoryReader加载当前文件同层data目录下的文件,支持加载多种文件后缀,得到一个Document列表;再通过VectorStoreIndex进行分词、向量化和存储,默认使用SentenceSplitter类实例进行分词(文本大于1024字符才会按相应规则分词),SimpleVectorStore类实例基于内存进行向量化存储,这些都可以定制;然后再调用as_query_engine获取查询引擎对象;最后通过query实现基于个人知识库的LLM提问和响应。

04 生态

LlamaHub

LlamaHub是一个庞大且方便查询LlamaIndex集成的组件和数据连接器的网站。包括上百种数据连接器连接不同的外部数据,上百种LLM模型接入等等。

地址:https://llamahub.ai/

参与集成贡献>

create-llama

create-llama是一个命令行工具,可以轻松创建LlamaIndex应用。

通过执行:npx create-llama@latestm,然后根据提示填写项目名,选择应用类型、语言、是否使用LlamaCloud等,等待应用生成。然后执行:npm run dev进行项目本地启动。最后通过访问:

http://localhost:3000访问应用。

使用说明地址: https://www.npmjs.com/package/create-llama

Ll****amaDeploy

LlamaDeply(前身LlamaAgents)是一个异步框架,用于进行服务部署和扩展等。通过LlamaDeploy可以在 LlamaIndex中构建任意数量的工作流,然后将它们作为服务运行,用户界面或系统中的其他服务可通过 HTTP API 进行访问。

官方介绍,目前还没实践过,后续再分享吧。

github地址:https://github.com/run-llama/llama_deploy

05 最后

LlamaIndex 最初是专为突破大型语言模型(LLM)的上下文窗口限制而设计的数据连接器。如今,它已演进为一个功能完备的智能体(Agent)应用开发框架。框架的核心优势之一,在于其集成了上百种数据连接器,为构建复杂的AI应用提供了良好的基础。

不过,目前感觉官方文档看起来繁琐,顺序也不是很严谨。以LlamaIndex Framework为例介绍下,可以按下面介绍顺序了解:Welcome to LlamaIndex快速了解LlamaIndex;Getting Started入门内容;Learn部分介绍通过LlamaIndex构建不同的应用;Component Guides介绍核心的组件;Use Cases提供了一些场景的Resources;Examples是部分集成组件的使用说明,还是建议优先LlamaHub查找,详情页可以超链到Examples详情页。

https://developers.llamaindex.ai/python/framework/

想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!

👇👇扫码免费领取全部内容👇👇

​

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告:覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:

  • 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
  • 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
  • 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
  • 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT:听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

在这里插入图片描述

  • 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
  • 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
  • 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
  • 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点

针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:


三、路线必明: AI 大模型学习路线图,1 张图理清核心内容

刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

在这里插入图片描述

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img
四、资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!

llamaindex实战-Llamaindex构成概述 本文总体介绍llamaindex框架,包括:llmaindex的功能,组成,说明等。 LlamaIndex 是一个开源的LLM应用开发框架,基于大模型(包括代理(Agent)和工作流(Workflow))构建上下文增强的生成式 AI 应用程序。 阅读详情

相关推荐

LlamaIndex 简介:LLM 应用程序的数据框架

无论您是希望改进客户服务聊天机器人的企业、需要快速访问特定信息的研究人员,还是热衷于突破 AI 界限的开发人员,LlamaIndex ChatGPT 都提供了一条充满希望的前进道路。无论您是希望改进客户服务聊天机器人的企业、需要快速访问特定信息的研究人员,还是热衷于突破 AI 界限的开发人员,LlamaIndex ChatGPT 都提供了一条充满希望的前进道路。通过对医学数据库和教科书的适当培训,该模型可以提供有关各种医学状况、治疗和最新研究的有价值的信息。

q_776355102的博客 6098

【LlamaIndex 教程】一文看懂LlamaIndex用法,为LLMs学习私有知识

默认情况,llamaIndex 使用,也可以用别的构建 Index基于使用的Index,llamaIndex 会使用默认的 prompt 模板进行构建 Index(插入 or 创建), 也可以自定义link。对于自定义 embedding 的模型,也可以自定义 embeddinglink。

qq_40491305的博客 3万+

LangChain+LlamaIndex+AutoGen+LangGraph框架对比

大模型框架对比

usa_washington的博客 1626

LlamaIndex是什么?LlamaIndex综述!看这一篇就够了!

本篇将为各位同学介绍一下LlamaIndex, 它是一个强大的开源工具,它能帮助开发者构建各种基于大型语言模型 (LLM) 的应用程序。它提供了一套工具和 API,使开发者能够轻松地将 LLM 与外部数据源连接起来,从而赋予 LLM 更强大的能力,从功能上看它与LangChian有点类似。

ytt0523_com的博客 3216

LlamaIndex智能体Agents开发全攻略

本文介绍了基于LlamaIndex框架构建智能代理系统的完整流程。LlamaIndex提供了数据连接、索引构建、查询执行等工具,支持创建具有自主性和反应性的智能代理。文章详细解析了工具集成(检索工具、函数工具、API工具)和代理创建工作流程,包括基础代理和结合检索与计算能力的高级代理实现。通过示例代码展示了如何将代理集成到工作流中,并提供了完整的测试案例,包括知识检索、数学计算、天气查询等功能的实现与执行结果。该系统能够综合多种工具功能,为用户提供准确、有用的响应。

沐雪架构师 1160

开源模型应用落地-LlamaIndex学习之旅-Agents-用自然语言构建Agent(一)

借 LlamaIndex框架,运用自然语言指令精准构建Agent,使其在复杂任务处理与信息交互中展现卓越效能

以微薄之力,予他人些许温暖. 1万+

构建Agents框架|LlamaIndex使用概览,大模型入门到精通,收藏这篇就足够了!

LlamaIndex已经是一个支持智能体开发的框架,官方最新定义:LlamaIndex是一个领先框架,通过LLM和Workflow,结合你的私有数据创建由LLM驱动的智能体应用。

2301_81940605的博客 1742

Fluent DPM模型保姆级教程:三通管颗粒流动模拟,从网格导入到轨迹图生成

本文提供Fluent DPM模型在三通管颗粒流动模拟中的保姆级教程,涵盖从网格导入到轨迹图生成的全流程。通过详细步骤和参数设置,帮助用户掌握DPM模型在颗粒流动模拟中的关键技巧,适用于化工、能源等领域的工程应用。

weixin_30615767的博客 582

构建Agents框架|LlamaIndex使用实战之RAG

RAG(Retrieval Augmented Generation:检索增强生成) 是一种增强大模型上下文来提高大模型回答准确性的有效且重要手段。通过检索特定内容也保障了企业数据的安全。

Y525698136的博客 806

技术解析:ChangeFormer——基于Transformer的孪生网络在遥感变化检测中的创新应用

本文深入解析了ChangeFormer模型在遥感变化检测中的创新应用,该模型基于Transformer架构和孪生网络(Siamese Network),显著提升了变化检测的精度和效率。通过详细的技术实现和实战经验分享,展示了其在建筑物变化、森林监测等场景中的卓越表现,为相关领域的研究和应用提供了有力工具。

weixin_29102619的博客 498

基于半经验模型的熔断器燃弧过程计算与分析

本文针对1200V/1250A熔断器建立电弧燃烧半经验模型,通过ANSYS计算弧前时间,结合熔体烧蚀、石英砂烧蚀等物理过程简化建模。模型引入电导率随温度变化函数,利用Matlab拟合实验数据确定参数。分析表明:熔体宽度和节距增加会提高弧压峰值并缩短过零时间;总长固定时,断口数和节距影响较小。弧压峰值需控制在额定电压3倍内,过零时间需满足安全裕度。通过Python代码复现了电弧电导率模型、能量平衡方程及弧压计算,验证了熔体结构尺寸对电弧特性的影响规律。

huanghm88的专栏 262

构建Agents框架|LlamaIndex使用实战之构建智能体

在LlamaIndex中,智能体(Agent)的构建同样基于事件编排机制,其运行逻辑正是通过Workflow来实现的。

2301_81940605的博客 422

2022年灌溉试验设计与数据分析考试试题

2.表2数据为表层0~10cm的原状土离心机土壤水分特征曲线试验数据,(1)请利用R语言nls函数通过Van Genuchten方程对土壤体积含水率和土壤基质势进行拟合;(3)指明土壤基值势为-33 kPa和-1500kPa时的体积含水率。1.请根据表1数据,以灌溉模式为主区,生物炭用量为子区,利用R语言agricolae包生成裂区试验设计试验处理布置图;3.以R工具包factoextra中decathlon2数据集前10列为数据进行PCA分析,要求计算出(1)前5个主成分的特征值、特征向量;

Mrrunsen的博客 268

20 大模型学习——LlamaIndex构建RAG

LlamaIndex 是一个用于 LLM 应用程序的数据框架,用于注入,结构化,并访问私有或特定领域数据。

weixin_54388827的博客 1479

如何免费快速的部署一个自用免VIP的自动追剧工具!NAS新玩法!豆瓣与迅雷结合,轻松实现自动下载电影自动追剧功能(支持Windows,群晖nas,飞牛nas,软路由,服务器等Docker快速部署)

追剧党狂喜!豆瓣追剧神器,自动添加云盘,自动下载,微信通知,一键搞定!

XiaoqiangClub的博客 4591

RK3588平台MIPI DSI屏幕调试记录

本文是基于RK3588平台,MIPI屏调试总结。调试过程中遇到的问题:一开始很久没亮,测量了电源电压和波形都正常。后来换了一组板子和屏幕做对比。最后是因为屏幕的座子没焊接好,二是接MIPI屏幕的排线太长会影响数据传输。换了一根短的线之后屏幕亮起。vp2vp3。

bingdund的博客 1393

大模型开发必备:8大Agents框架与MCP Server集成教程(附代码),值得收藏!

OpenAI Agents SDK是OpenAI官方推出的轻量级Agent开发框架,旨在方便开发者构建多Agent协作的智能体系统。该SDK源于OpenAI内部实验项目Swarm,并在近期正式推出生产版本。OpenAI Agents SDK的特点是:简单易用、轻量级、专注在最小集功能,并支持转交(Handoffs)、护栏(Guardrails)等很有特点的功能。

python12345_的博客 1175

45 - Android系统源码-crosvm 实战:基于 KVM 的 Rust 安全虚拟机监控器核心技术

摘要:crosvm 是 Google 开发的基于 KVM 的轻量级虚拟机监控器(VMM),采用 Rust 语言编写,专为 ChromeOS 和 Android 设计。其核心特点包括: 安全架构:通过 Rust 的内存安全特性和多进程隔离(每个设备运行在独立沙箱进程)大幅降低攻击面 性能优化:基于 KVM 的硬件虚拟化支持,结合异步 I/O (io_uring/epoll) 实现高效设备模拟 模块化设计:清晰的 trait 抽象层(Hypervisor/Vm/Vcpu)支持跨平台扩展 Android 集成

保持专注,保持热爱 227

LlamaIndex智能体Agents开发-记忆管理

在智能体(Agent)的设计中,记忆(Memory) 是不可或缺的组成部分。没有记忆的智能体,就像一条只能看眼前一步的鱼:它能游动,却无法真正理解自己所处的环境,也无法在长时间的交互中保持一致性。

Y525698136的博客 864

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

主流 Agent 开发框架实战 :LangChain 与 LlamaIndex

在本章中,我们通过具体的代码示例,动手实践了如何使用两大主流框架——LangChain 和 LlamaIndex 来构建 AI Agent。我们学习了它们的核心 API 与概念,体验了如何定义工具、配置 Agent 并观察其运行逻辑,特别是在 LlamaIndex 中实践了将知识图谱索引作为工具的强大功能。我们还比较了它们的设计哲学和选型考量。

weixin_59191169的博客 1807

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

LlamaIndex+Google Agents API构建文档智能体实战指南

文档智能体是大模型落地企业场景的核心能力,其本质是将非结构化文档(PDF、扫描件、图片表格)转化为结构化数据并驱动自动化决策。技术原理在于解耦‘认知’与‘执行’:大模型负责意图理解与逻辑编排,而沙盒环境中的专用解析器(如OCR、PDF布局分析、语义分块)完成物理层处理。这种架构显著提升文档理解准确率与鲁棒性,尤其解决传统方案在多栏排版、水印干扰、扫描模糊等真实场景下的失效问题。典型应用包括合同关键条款提取、发票信息核验、会议纪要结构化及Excel数据比对。本文聚焦LlamaIndex与Google Agen

weixin_33402252的博客 269

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

HuggingFace Agents课程:LlamaIndex工具系统深度解析

在AI代理(Agent)开发中,工具(Tools)是连接LLM与外部世界的桥梁。你还在为如何让AI代理有效使用外部功能而烦恼吗?本文将深度解析HuggingFace Agents课程中的LlamaIndex工具系统,帮助你掌握构建高效AI代理的核心技术。 通过本文,你将获得: - LlamaIndex工具系统的完整架构理解 - 四种核心工具类型的实战应用指南 - 多代理系统与工作流的构建方法 -...

gitblog_00516的博客 361
上一篇: 从 RAG 到 Agent:向量数据湖驱动的上下文工程
下一篇: 大模型的 2025:发展现状、核心问题与未来趋势
AI_小站
博客等级 码龄3年 6255粉丝 1156原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值