跳转到内容
AI Agent 教程 AI Agent 教程

LlamaIndex 项目介绍

LlamaIndex 🦙 项目介绍

项目定位

LlamaIndex 是一个开源数据框架，用于将私有数据与 LLM 连接起来，构建 RAG（检索增强生成）和 Agent 应用。核心版本 v0.14.22（commit f027669）。

核心能力

  • 数据连接与摄入：支持 PDF、文档、SQL、API 等 300+ 数据源，通过 IngestionPipeline 实现加载 → 分块 → 嵌入 → 向量存储的自动化流水线
  • 多种索引类型：VectorStoreIndex（向量索引）、TreeIndex（树形索引）、KnowledgeGraph（知识图谱）、PropertyGraph（属性图）等
  • 高级检索系统：向量检索、融合检索、路由检索、自动合并检索、递归检索等多种策略，配合 LLM Rerank、Cross-Encoder Rerank 等后处理器
  • 事件驱动 Agent：基于 Workflow 引擎的 ReActAgent、FunctionAgent、CodeActAgent，支持多 Agent 编排与 handoff
  • 插件式架构：核心 + 集成包分离设计，300+ 集成包覆盖 LLM、向量存储、嵌入模型等
  • 可观测性：CallbackManager + Instrumentation 双层追踪系统，支持调试、日志与 OpenTelemetry

技术栈

维度选择
语言Python 3.10+
数据验证Pydantic v2
异步asyncio 原生，httpx + aiohttp
构建Hatchling
包管理uv
LLM 抽象统一 BaseLLM 接口 + 插件注册
工作流引擎llama-index-workflows（独立 PyPI 包，事件驱动状态机）

架构概览

快速体验

Terminal window
# 安装核心 + 所需集成
pip install llama-index-core
pip install llama-index-llms-openai
pip install llama-index-embeddings-huggingface


# 5 行代码构建 RAG
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader


documents = SimpleDirectoryReader("your_data/").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("你的问题")

教程导读

本教程分为 AI 应用 和 编程核心 两部分：

AI 应用教程（ai/）

章节主题引用的 Common 教程
01RAG 核心链路：从数据到答案RAG 全链路管线
02高级检索器组合RAG 管线、Chunking 策略
03事件驱动 Agent 循环事件驱动运行时、工具调用协议
04多 Agent 编排与 Handoff多 Agent 路由
05工具调用与 Function Calling工具调用协议
06LLM 多模型适配多模型架构
07Agent 记忆与长期知识记忆系统、长期记忆

编程核心教程（dev/）

章节主题
01插件式架构：核心 + 集成包设计
02事件驱动工作流引擎架构
03TransformComponent 数据流水线模式
04存储抽象层：StorageContext 与多后端
05可观测性系统：Callback + Instrumentation
06Settings 单例与惰性加载模式
07构建与分发：Hatchling + uv + 300+ 包管理

共 14 篇技术章节（7 篇 AI + 7 篇 Dev），基于 v0.14.22 (commit f027669) 分析。