探索LlamaIndex：如何用Django打造高效知识库检索

简介

LlamaIndex（前身为 GPT Index）是一个数据框架，为了帮助我们去建基于大型语言模型（LLM）的应用程序。

主要用于处理、构建和查询自定义知识库。

它支持多种数据源格式 excel，txt，pdf，md 等等，并且以创建高效的数据结构以便快速检索著称，允许我们用自然地语言区查询数据，而不需要学习复杂的查询语言或了解底层数据结构。

下面我们来看看怎么在 django 中使用 LlamaIndex 。

django_10">安装django模块

pip install llama-index

一个简单的例子：

我们进入项目根目录，建立 data 文件夹，提前准备好我们需要检索的文件

如下面图所示：

这里的文件可以是 pdf，doc，excel等，我这里准备了一个 txt 文件。

打开 tetsite/members/views.py 视图文件：

python">from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
def llamaIndexOpenAiSearch(request):documents = SimpleDirectoryReader("data").load_data()index = VectorStoreIndex.from_documents(documents)query_engine = index.as_query_engine()response = query_engine.query("钥匙说了什么")return JsonResponse({'response': response})

进入路由文件 testsite/members/urls.py :

python">path('llama-index-open-ai-search/', views.llamaIndexOpenAiSearch, name='search'),

打开我们的api工具，或者浏览器

访问 http://127.0.0.1:8080/polls/llama-index-open-ai-search

对比一下我们的测试集txt，是不是检索答案就出来了，这个demo是一个很简单LlamaIndex 入门例子。

我们上面引用的是 llama-index-core 是 LlamaIndex 核心自定义包

让我们可以使用喜欢的 LLM 、嵌入和向量存储提供程序进行构建。

然而正在上面例子中，LlamaIndex 的 Vector-embeddings 默认指定的是 openai 的 LLM 进行 Vector-embeddings 嵌入，然后创建索引

python">from llama_index.core import VectorStoreIndex
index = VectorStoreIndex.from_documents(documents)

持久化

文本被索引后，现在已经准备好进行查询了！

但是，嵌入所有文本可能非常耗时，如果您使用的是 openai 的 LLM，那么成本也会很高。

我们也可以使用下列方式存储索引数据持久保存到磁盘，如果不指定，便会存储在内存中：

python">index.storage_context.persist(persist_dir="<persist_dir>")

然后，我们可以通过像这样加载持久索引来避免重新加载和重新索引数据：

python">from llama_index.core import StorageContext, load_index_from_storage
# rebuild storage context
storage_context = StorageContext.from_defaults(persist_dir="<persist_dir>")
# load index
index = load_index_from_storage(storage_context)

假如我们想存储到向量数据库中，怎么做呢。

打开 tetsite/members/views.py 视图文件，新增一个方法视图：

python">import chromadb
from llama_index.core import VectorStoreIndex
from llama_index.core import StorageContext
def searchIndexVectory():db = chromadb.PersistentClient(path="./chroma_db")chroma_collection = db.get_or_create_collection("quickstart")storage_context = StorageContext.from_defaults(vector_store=chroma_collection)documents = SimpleDirectoryReader("data").load_data()index = VectorStoreIndex.from_vector_store(documents, storage_context=storage_context)query_engine = index.as_query_engine()response = query_engine.query("人形机器人的发展点在哪里?")return JsonResponse({'response': response})

记得运行之前更新一下 LlamaIndex 和 Chroma ，由于 llamaIndex 随时在更新，所以我们需要随时关注官网的动态，还有库的更新。

pip install -U llama-index chromadb

LlamaIndex本地模型

打开 tetsite/members/views.py 视图文件，新增一个方法视图：

python">def llamaIndexSearch(request):

加载文档

python">documents = SimpleDirectoryReader("data").load_data()

设置嵌入模型

python"> embed_model = HuggingFaceEmbedding(model_name="sentence-transformers/all-MiniLM-L6-v2")

设置llm模型

python">   llm = HuggingFaceLLM(model_name="gpt2",tokenizer_name="gpt2",device_map="cpu",generate_kwargs={"temperature": 0.7, "do_sample": False})

创建服务上下文

python">service_context = ServiceContext.from_defaults(llm=llm,embed_model=embed_model)

创建索引

python">index = VectorStoreIndex.from_documents(documents,service_context=service_context)

创建查询引擎

python">query_engine = index.as_query_engine()

执行查询

python">response = query_engine.query("钥匙说了什么")

运行过程中我们会看到python会自动帮我们下载 sentence-transformers/all-MiniLM-L6-v2 和 gpt2 模型

由于这是用的 HuggingFace的方式，所以模型会下载我们设置的 HF_HOME 目录。

所以我们可以提前配置这个目录，更好的管理模型。

python">import os
os.environ['HF_HOME'] = '/path/to/new/cache/directory'

浏览器或接口访问 http://127.0.0.1:8080/polls/llama-index-search ，可以得到下面结果。

这里需要提一下，因为是本地模型，准确率取决于你选择的模型，还有硬件，所以一定要根据自己的事迹情况来选择

后面我会详细讲一下，每一种模型大概需要的硬件配置，和生成对应的效果，效率。

总结

LlamaIndex 确实是一个非常强大的工具，特别是在处理和检索大规模文本数据方面。

它还支持自定义数据加载器，以适应特殊的数据格式。支持数据分块和压缩，优化存储和检索效率。

里面的代码也可以看出它和可以与 Langchain 无缝集成，也解决了 Langchian 检索的问题，可以说 LlamaIndex 就是为检索而准备的工具。

LlamaIndex 的出现就成为构建智能文档检索、问答系统、知识管理平台等应用的强大工具。

它不仅简化了复杂的数据处理和 AI 集成过程，还提供了高度的灵活性和可扩展性，使其能够适应各种不同的用例和需求。