llamaindex 元数据提取使用模式（Metadata Extraction Usage Pattern）

最新推荐文章于 2025-06-10 16:43:41 发布

原创

最新推荐文章于 2025-06-10 16:43:41 发布 · 997 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#RAG #llamaindex

元数据提取使用模式（Metadata Extraction Usage Pattern）

概念解释

你可以使用 LLM（大型语言模型）来自动提取元数据，通过我们的元数据提取器模块实现。

我们的元数据提取器模块包括以下“特征提取器”：

SummaryExtractor - 自动提取一组节点的摘要
QuestionsAnsweredExtractor - 提取每个节点可以回答的一组问题
TitleExtractor - 提取每个节点的标题
EntityExtractor - 提取每个节点内容中提到的实体（例如地点、人物、事物的名称）

然后，你可以将元数据提取器与我们的节点解析器链接起来：

使用模式

定义元数据提取器

from llama_index.core.extractors import (
    TitleExtractor,
    QuestionsAnsweredExtractor,
)
from llama_index.core.node_parser import TokenTextSplitter

text_splitter = TokenTextSplitter(
    separator=" ", chunk_size=512, chunk_overlap=128
)
title_extractor = TitleExtractor(nodes=5)
qa_extractor = QuestionsAnsweredExtractor(questions=3)

运行元数据提取器

假设文档已经定义，提取节点：

from llama_index.core.ingestion import IngestionPipeline

pipeline = IngestionPipeline(
    transformations=[text_splitter, title_extractor, qa_extractor]
)

nodes = pipeline.run(
    documents=documents,
    in_place=True,
    show_progress=True,
)

或者插入到索引中：

from llama_index.core import VectorStoreIndex

index = VectorStoreIndex.from_documents(
    documents, transformations=[text_splitter, title_extractor, qa_extractor]
)

自动元数据提取以改善检索和合成

在本教程中，我们展示了如何执行自动元数据提取以获得更好的检索结果。我们使用两个提取器：一个 QuestionsAnsweredExtractor，它从一段文本中生成问答对，以及一个 SummaryExtractor，它不仅在当前文本中提取摘要，还在相邻文本中提取摘要。

我们展示了这允许“块梦境”——每个单独的块可以有更多的“整体”细节，从而在给定检索结果的情况下提高答案质量。

我们的数据来源取自 Eugene Yan 的流行文章《LLM Patterns》：https://eugeneyan.com/writing/llm-patterns/

设置

如果你在 colab 上打开这个 Notebook，你可能需要安装 LlamaIndex 🦙。

%pip install llama-index-llms-openai
%pip install llama-index-readers-web
!pip install llama-index
import nest_asyncio

nest_asyncio.apply()

import os
import openai
# OPTIONAL: setup W&B callback handling for tracing
from llama_index.core import set_global_handler

set_global_handler("wandb", run_args={
   
   "project": "llamaindex"}