LlamaIndex三配置

前言

在上篇LlamIndex二 RAG应用开发 - 掘金 (juejin.cn)中，我们学习到LlamaIndex对RAG的全面支持。这篇文章，我们就来细化这个过程，尝试各种配置选项，满足不同场景需求。学习过后，大家再开发RAG应用，会更轻松。

自定义文档分块

chunk_size 参数通常用于指定在处理大量数据时一次处理的数据项数量，用于计算索引的长度。如下代码：

python复制代码from llama_index import ServiceContext
service_context = ServiceContext.from_defaults(chunk_size=500)

自定义向量存储

我们可以选择自定义的vector_store数据库，设置存储方式。

python复制代码import chromadb
from llama_index.vector_stores import ChromaVectorStore
from llama_index import StorageContext

chroma_client = chromadb.PersistentClient()
chroma_collection = chroma_client.create_collection("quickstart")
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)
storage_context = StorageContext.from_defaults(vector_store=vector_store)

在这里我们使用的向量数据库是chromadb，LlamaIndex 专门提供了ChromaVectorStore API。StorageContext可以让我们配置存储上下文。在上面的代码中，首先chroma_client = chromadb.PersistentClient()实例化了chromadb的持久化存储，chroma_collection = chroma_client.create_collection("quickstart")并将当前项目的向量数据库命名为qucikstart,vector_store = ChromaVectorStore(chroma_collection=chroma_collection)生成存储实例，最后storage_context = StorageContext.from_defaults(vector_store=vector_store)生成存储上下文对象。

自定义检索

当我们在使用查询引擎检索时，我们可以通过设置similarity_top_k来定义检索时的相似文档数。这样可以在满足检索需求的同时，节省token 开销。

ini复制代码index = VectorStoreIndex.from_documents(documents)
# 指定返回5条相似数据
query_engine = index.as_query_engine(similarity_top_k=5)

指定大模型

在自定义文档分块中，我们使用了ServiceContext.from_defaults来配置chunk_size, 其实还可以给它传递llm参数，来指定使用的大模型。

ini

复制代码service_context = ServiceContext.from_defaults(llm=OpenAI())

指定响应模式

在第一篇文章中，我们使用query_engine = index.as_query_engine(response_mode='tree_summarize')创建了一个查询引擎，它基于文档索引进行查询。参数response_mode值设置为tree_summarize,查询结果以树形结构显示。

ini

复制代码query_engine = index.as_query_engine(response_mode='tree_summarize')

指定流式响应

ini

复制代码query_engine = index.as_query_engine(streaming=True)

响应格式为流。

案例

我们将综合以上配置，并用到了下面的示例中,上colab。

安装llama-index 和chromadb向量数据库

css

复制代码!pip install -q -U llama-index chromadb

-q -U 的意思是省略一些下载细节。

拉取文档

bash复制代码!mkdir data 
!wget https://raw.githubusercontent.com/jerryjliu/llama_index/main/examples/paul_graham_essay/data/paul_graham_essay.txt -O data/paul_graham_essay.txt

使用mkdir 创建data文件夹，colab有类似虚拟机的文件系统。 wget拉取文件存放到data目录下，文件名为 paul_graham_essay.txt。

安装openai,设置OPENAI_API_KEY环境变量

lua复制代码!pip install 
import os 
os.environ['OPENAI_API_KEY'] = 'your valid openai api key'

引入向量数据库相关模块

python复制代码import chromadb
from llama_index import VectorStoreIndex, SimpleDirectoryReader from llama_index import ServiceContext 
from llama_index.vector_stores import ChromaVectorStore 
from llama_index import StorageContext 
from llama_index.llms import OpenAI

实例化ServiceContext, 配置chunk_size和llm

python

复制代码service_context = ServiceContext.from_defaults(chunk_size=500, llm=OpenAI())

配置向量存储

python复制代码chroma_client = chromadb.PersistentClient() 
chroma_collection = chroma_client.create_collection("quickstart") vector_store = ChromaVectorStore(chroma_collection=chroma_collection) storage_context = StorageContext.from_defaults(vector_store=vector_store)

索引文档

python复制代码documents = SimpleDirectoryReader('data').load_data() 
index = VectorStoreIndex.from_documents(documents, service_context=service_context,storage_context=storage_context)

原来配置了chunk_size和llm的service_context和配置了chromadb向量数据库的storage_context与documents一起在VectorStoreIndex.from_documents中相汇，生成等下查询引擎需要的索引对象，了解，此刻，可以带上LlamaIndex的紧箍儿…

指定响应模式，以及启用流式响应

python复制代码query_engine = index.as_query_engine(response_mode='tree_summarize', streaming=True) 
response = query_engine.query("What did the author do?") response.print_response_stream()

好，现在让我们一起来看下执行结果吧。

这张截图可以看到chroma文件

总结

今天搞清楚了LlamaIndex的配置细节，以Rag应用为例，能干活了，哈哈。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。