如何使用 LlamaIndex 构建一个 RAG 检索系统

mindmap
  ((LLamaIndex))
    ((知识库))
    ((搜索引擎))
    ((Agent))
    ((Workflow))
    ((大语言模型))

LLamaIndex 是一个基于大语言模型的应用的开源框架，可以用于构建 RAG 检索系统和其他基于大语言模型的应用。

本文将从浅及深地介绍如何使用 LlamaIndex 实现一个简单的以向量检索和搜索引擎检索作为基础的 RAG 检索系统。

我们从 VSCode 官网下载并安装 VSCode。

在电脑上新建一个 llamaindex-rag 的文件夹，然后在 VSCode 中打开这个文件夹。

接下来我们安装 VSCode 的 Python 官方插件。

然后我们在 VSCode 使用下面的按键组合打开 VSCode 命令面板：

• Windows/Linux: Ctrl + Shift + P
• Mac: Cmd + Shift + P

在命令面板中输入 > Python: Create Environment， 回车后选择 Venv 创建一个 Python 虚拟环境。

创建虚拟环境之后，我们可以在打开的目录下看到一个 venv 的文件夹，这个文件夹内包含了 Python 的虚拟环境。同时 VSCode 也会自动激活这个虚拟环境。

从 Ollama 下载并安装 Ollama。

用组合键：

• Windows/Linux: Ctrl + `
• Mac: Cmd + `

在 VSCode 中打开终端，输入下面的命令在 Ollama 中安装 llama 3.1 模型:

ollama run llama3.1

在 VSCode 中打开终端，输入下面的命令安装 llama_index.llms.ollama LLamaIndex 的 Ollama 模块：

pip install llama_index.llms.ollama

在 VSCode 中新建 rag.py 文件：

from llama_index.llms.ollama import Ollama

llm = Ollama(model="llama3.1:latest", request_timeout=120.0)
resp = llm.complete("Who are you?");
print(resp)

点击 VSCode 左上角的三角形的运行按钮，我们可以看到在终端中看到打印出来的模型的输出。

在llamaindex-rag目录下新建一个 knowledge 目录，然后在 knowledge 目录，用于存放我们要检索的原始知识库的文件。

然后在 knowledge 目录下新建一个 example.txt 文件，用于存放我们的知识库示例。

用下面的内容填充 example.txt 文件：

Eson 是一个博客作者. 他的博客链接是 https://blog.eonwong.com.

你也可以在 knowledge 目录下面放置其它.txt、.docx、.pdf等格式的文件。

安装 llama_index.core 和 llama_index.embeddings.huggingface 模块。

在命令面板中执行下面的命令：

pip install llama-index llama_index.core llama_index.embeddings.huggingface

• llama_index.core 模块提供了 LLamaIndex 的核心功能
• llama_index.embeddings.huggingface 模块提供了 HuggingFace 的 embeddings 模型的接入功能。

在 VSCode 中新建 knowledge.py 文件，首先导入 llama_index.core 和 llama_index.embeddings.huggingface 模块：

from llama_index.core import ( SimpleDirectoryReader, Settings, VectorStoreIndex)
from llama_index.embeddings.huggingface import HuggingFaceEmbedding

设置 HuggingFace 的 embeddings 模型，我们选择在 HuggingFace 网站上热门的 baai/bge-m3 作为 LLamaIndex 向量化数据的 embedding 模型，在 knowledge.py 文件中添加下面的代码：

# 配置嵌入模型
Settings.embed_model = HuggingFaceEmbedding(model_name="baai/bge-m3")

接下来我们使用 SimpleDirectoryReader 读取 knowledge 目录下的文件：

# 读取文件
reader = SimpleDirectoryReader(input_dir="./knowledge")
documents = reader.load_data()

然后我们使用 VectorStoreIndex 向量化我们的知识库：

# embedding 向量化
index = VectorStoreIndex.from_documents(documents)

向量化之后我们要把向量化的知识库保存到磁盘上，以便后续的检索：

# 保存向量化的知识库
index.storage_context.persist(persist_dir="./storage")

运行 knowledge.py 文件，我们可以看到在终端中看，该脚本会先下载 baai/bge-m3 模型。

下载完成之后就会开始向量化知识库，然后保存向量化的数据保存到 storage 目录。

在 rag.py 文件顶部导入 StorageContext 和 load_index_from_storage 模块：

from llama_index.core import (StorageContext, load_index_from_storage)

在 rag.py 文件内容替换为下面的代码：

# 导入模块
from llama_index.llms.ollama import Ollama
from llama_index.core import (StorageContext, load_index_from_storage, Settings)
from llama_index.embeddings.huggingface import HuggingFaceEmbedding

# 配置 LLM 和 Embedding 模型
llm = Ollama(model="llama3.1:latest", request_timeout=120.0)
Settings.llm = Ollama(model="llama3.1", request_timeout=360.0)
Settings.embed_model = HuggingFaceEmbedding(model_name="baai/bge-m3")

# 读取知识库
storage_context = StorageContext.from_defaults(persist_dir="./storage")
index = load_index_from_storage(storage_context)

# 配制查询引擎
query_engine = index.as_query_engine(streaming=True)

# 查询
response = query_engine.query("Eson 的博客地址是什么？")
print("输出结果：")
print(response)