完整定義
LlamaIndex是一個專為大型語言模型(LLMs)設計的資料框架,旨在簡化將LLMs連接到各種資料來源的過程。它提供工具來索引、結構化和存取您的資料,使您能夠輕鬆地建立基於LLM的應用程式,例如問答系統、聊天機器人等,而無需擔心底層資料的複雜性。
白話說明
你有沒有遇過 AI 明明很會聊天,卻看不懂你公司的文件?
你可以把 LlamaIndex 想成,替大模型把資料整理好、排好、送進來的中介層。
它其實就是連接 LLM 和私有資料的資料框架。
當你想做知識庫問答、文件搜尋或 RAG,它就很常派上用場。
記住這句
先把資料整理好,大模型才答得像樣。
比喻:LlamaIndex 就像 LLM 的「個人圖書管理員」-- LLM 本身知識很廣,但不知道你公司內部文件或最新資訊。LlamaIndex 會幫 LLM 建立這些專屬資料的索引,讓 LLM 能夠快速找到並參考,回答你的特定問題。
容易混淆
LlamaIndex vs LangChain
LlamaIndex 更偏資料索引與檢索,LangChain 更像通用工具箱。
一個重資料,一個重流程組裝。
LlamaIndex vs 向量資料庫
向量資料庫負責存和查,LlamaIndex 負責把資料切好、索引好、串好。
一個是底層倉庫,一個是資料調度員。
最關鍵的區別: 索引框架和資料庫不是同一層。
實際案例
公司知識庫問答
把政策、SOP、會議紀錄切成可檢索單位後,員工就能問自然語言問題。
客服文件搜尋
客服人員想找退貨條款時,不用翻整份手冊,系統先找出最相關段落再交給模型整理。
演算法與應用
常見流程是切塊、建立索引、檢索相關片段,再把片段交給 LLM 生成答案。
它的重點不在模型本身,而在資料進來後怎麼被整理、連結和查回來。
對企業內部知識、法規、手冊和長文件很實用。
情境判斷
Q1(直覺題): 你要讓模型讀公司文件後回答問題,最需要處理的是什麼?
先把文件切塊、索引和檢索做好,這正是 LlamaIndex 擅長的事。
Q2(判斷題): 如果資料本來就很少,還需要 LlamaIndex 嗎?
看情況,資料少時可以簡化流程,但只要要做可查詢知識庫,索引設計仍然有價值。
常見問題
可以,很多專案會把 LlamaIndex 負責資料側,LangChain 負責流程側。
不一定,但搭配向量資料庫通常能讓檢索更有效率。
適合文件、手冊、知識庫、FAQ 這種需要檢索的非結構化資料。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本