这是做什么的
LlamaIndex 用 SimpleDirectoryReader 加载目录下的文档、VectorStoreIndex 建立向量索引，查询引擎自动完成「检索 + 合成回答」，适合快速搭出文档问答原型。它的数据连接器与索引抽象较清晰，切片与节点关系（node）是核心概念，便于后续做父子块与增量更新。
基本信息
| 适用 | Python，文档问答原型与中小规模知识库 |
|---|---|
| 核心概念 | Document（文档）→ Node（节点）→ Index（索引）→ QueryEngine（查询引擎） |
| 默认存储 | 内存索引，进程退出即丢失 |
| 持久化 | 可落盘，也可外接 Milvus、Qdrant、pgvector 等向量库 |
精简示例
精简示例
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
docs = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(docs)
engine = index.as_query_engine(similarity_top_k=3)
resp = engine.query("文档里如何配置超时？")
print(resp)
for node in resp.source_nodes:
print(node.score, node.metadata.get("file_name"))使用要点
- 先看 source_nodes：返回的引用节点才是可核验的依据，答案文本只是加工结果
- 配好持久化：落盘或外接向量库，避免每次重启重建索引
- 控制批量：入库时设置批量大小与并发，减少 embedding 接口压力
- 调切片：默认分词器按英文设计，中文语料建议显式配置切片长度与分隔符
- 加元数据：把文件名、页码、章节写入节点元数据，引用与过滤都要用
常用组件
| 环节 | 组件 | 注意 |
|---|---|---|
| 加载 | SimpleDirectoryReader | 按扩展名分发解析器，扫描件需另配 OCR |
| 切分 | NodeParser / SentenceSplitter | 中文需调整块长与分隔符 |
| 索引 | VectorStoreIndex | 默认内存，生产需外接向量库 |
| 查询 | as_query_engine | similarity_top_k 决定进入上下文的节点数 |
默认是内存索引，进程退出即丢失；生产环境要配置持久化（落盘或外接 Milvus、Qdrant、pgvector 等向量库），否则每次重启都要重新向量化一遍。
与同类框架的差别
- 它以索引与节点为中心，文档到查询的路径更短，适合文档问答
- 另一类框架以组件与编排为中心，组合更自由但链路要自己串
- 两者在向量化模型与向量库封装上可互换，选择不必与存储绑定
- 原型阶段选哪个都可以，关键是尽早固定切片策略与评测集
- 迁移成本主要落在自定义解析与元数据字段，建议一开始就抽象出来