索引概述

数据加载完成后，您将获得一个文档对象(Document)列表（或节点(Node)列表）。接下来需要为这些对象构建索引(Index)，以便开始执行查询。

索引（Index） 是一种数据结构，能够让我们快速检索与用户查询相关的上下文。在 LlamaIndex 中，它是实现检索增强生成（RAG, Retrieval-Augmented Generation）应用的核心基础。

从高层次来看，索引 由 文档（Documents） 构建而成，并用于创建 查询引擎（Query Engines） 和 聊天引擎（Chat Engines），从而支持基于数据的问答和对话功能。

在底层实现中，索引将数据存储在 节点（Node） 对象中（每个节点代表原始文档的一个片段），并通过 检索器（Retriever） 接口提供额外的配置和自动化支持。

在LlamaIndex的术语中，Index（索引）是一种由Document（文档）对象构成的数据结构，旨在让大语言模型（LLM）能够进行查询。

什么是嵌入？

向量嵌入（vector embeddings） 是大语言模型（LLM）应用运行的核心机制。

向量嵌入（vector embedding，通常简称为embedding）是对文本语义或含义的数值化表征。即使实际文字差异很大，含义相似的两段文本其向量嵌入在数学上也会高度相似。

这种数学关系实现了语义搜索——用户只需提供查询词，LlamaIndex 就能找到与查询词含义相关的文本（而非简单的关键词匹配）。这正是检索增强生成（Retrieval-Augmented Generation）技术的核心原理，也是大语言模型（LLMs）的基础运作机制。

嵌入模型（embeddings）存在多种类型，它们在效率、效果和计算成本上各有差异。默认情况下，LlamaIndex 采用的是 OpenAI 的默认嵌入模型 text-embedding-ada-002。若您使用不同的大语言模型（LLM），通常也需要搭配不同的嵌入模型。

索引的分类

本指南通过图示说明每种索引的工作原理。

术语解释：

• 节点（Node）：对应文档中的一段文本块。LlamaIndex 接收文档对象（Document），并在内部将其解析/分块为多个节点对象（Node）。

• 响应合成（Response Synthesis）：我们的模块，负责根据检索到的节点合成响应。您可以了解如何指定不同的响应模式。

摘要索引

摘要索引 Summary Index （原列表索引）的核心机制是将所有节点（Node）按顺序链式存储，形成一个线性结构。

向量存储索引

向量存储索引（Vector Store Index）会将每个节点（Node）及其对应的嵌入向量（embedding）存储到向量数据库（Vector Store）中。

树状索引

树状索引（Tree Index）会从一组节点（这些节点在树中成为叶节点）构建出层次化树形结构。

关键字表索引

关键字表索引（Keyword Table Index）通过建立关键词到节点的映射关系实现高效检索。该索引会提取每个节点的文本内容生成关键词列表，并在查询时通过关键词匹配快速定位相关节点。

属性图索引

属性图索引（Property Graph Index）的工作原理是首先构建包含标记节点和关系的知识图谱。该图谱的构建过程具有高度可定制性：既可以让大语言模型（LLM）自由提取内容，也可以按照严格模式进行提取，甚至支持用户自定义提取模块的实现。

VectorStoreIndex

向量存储索引（VectorStoreIndex）是目前最常用的索引类型。该索引会先将您的文档（Documents）分割成多个节点（Nodes），然后为每个节点的文本内容生成向量嵌入（vector embeddings），最终使大语言模型（LLM）能够对这些数据进行查询。

向量存储（Vector Stores） 是检索增强生成（RAG）的核心组件，因此几乎在所有基于 LlamaIndex 开发的应用中——无论是直接还是间接使用——都会涉及它。

向量存储（Vector Stores）接收一组节点（Node）对象，并基于这些节点构建索引。

工作原理

向量存储索引（Vector Store Index）通过调用大语言模型（LLM）的API接口，将您的所有文本转化为向量嵌入（embeddings）——这就是所谓"文本向量化"（embeds your text）的实质过程。

当执行向量搜索时，您的查询语句会首先被转化为向量嵌入，随后向量存储索引（VectorStoreIndex）会通过数学运算，根据所有嵌入向量与查询语句的语义相似度进行排序检索。

当排序完成后，向量存储索引（VectorStoreIndex）会返回相似度最高的向量嵌入及其对应的原始文本片段。系统返回的嵌入数量由参数 k 决定，因此该控制参数被命名为 top_k。这种检索方式由此得名 "top-k 语义检索"。

Top-K 检索是向量索引查询中最基础的形式。当您阅读后续的[查询]章节时，将会接触到更复杂、更精细的检索策略。

创建索引

使用 from_documents 方法创建索引

使用向量存储（Vector Store）最简单的方式就是加载一组文档，并通过 from_documents 方法直接构建索引：

from llama_index import VectorStoreIndex, SimpleDirectoryReader

# 1. 加载文档（例如读取本地"data/"目录下的所有文件）
documents = SimpleDirectoryReader("data/").load_data()

# 2. 一键构建向量索引（自动完成文本分块、向量化和存储）
index = VectorStoreIndex.from_documents(documents)

from_documents 方法还支持一个可选参数 show_progress。将其设为 True，即可在索引构建过程中显示进度条。

# 示例：启用构建进度条  
index = VectorStoreIndex.from_documents(
    documents=documents, 
    show_progress=True  # ← 显示实时进度
)

当您使用 from_documents方法时，您的文档会被分割成多个文本块，并解析为Node对象——这是一种对文本字符串的轻量级抽象结构，能够持续追踪元数据和关联关系。

默认情况下，VectorStoreIndex会将所有数据存储在内存中，VectorStoreIndex 会以每批 2048 个节点的规模生成并插入向量。如果您的内存资源有限（或内存充裕），可以通过传入 insert_batch_size=2048 参数并指定您期望的批次大小来调整这一设置。

通过Nodes节点创建索引

如需完全掌控索引构建过程，您可以直接手动创建并配置节点Nodes，然后将其传入索引构造函数：

from llama_index.core.schema import TextNode

node1 = TextNode(text="<text_chunk>", id_="<node_id>")
node2 = TextNode(text="<text_chunk>", id_="<node_id>")
nodes = [node1, node2]
index = VectorStoreIndex(nodes)