LlamaIndex学习路径

满眼星河
1 阅读8分钟

LlamaIndex 全面学习提纲

依据 LlamaIndex 官方文档（developers.llamaindex.ai/python/framework）整理，按「认知 → 核心组件 → 高级能力 → 生产落地 → 生态扩展」递进编排。每个模块标注官方文档路径，可对照原文学习。

学习主线：先用 5 行代码跑通 RAG → 逐层拆解六大核心组件 → 进阶 Agent/Workflow → 学会评估与部署 → 扩展到 LlamaCloud 与生态。

exported_image.png

阶段 0｜入门准备（Getting Started）

文档路径：developers.llamaindex.ai/python/fram…

  • 0.1 理解 LlamaIndex 定位
    • Context-Augmented LLM Applications（上下文增强）框架：把「你的数据」通过索引/检索交给 LLM
    • 三大核心概念：Agents（LLM 驱动的知识助手）、Workflows（事件驱动多步骤流程）、Context Augmentation（RAG 是其中最流行的一种）
    • 官网给出的能力清单：Data Connectors、Data Indexes、Engines（Query/Chat）、Agents、Observability/Evaluation、Workflows
  • 0.2 高层概念（High-Level Concepts）
  • 0.3 安装与配置
    • pip install llama-index（核心包）、按需安装 llama-index-llms-openai 等集成包
    • 环境变量：OPENAI_API_KEY 等
  • 0.4 5 行代码入门（Starter Tutorial）
    • 用 OpenAI 的快速入门：加载文档 → 建索引 → 查询
    • 用本地 LLM（Ollama / llama.cpp）的快速入门
  • 0.5 阅读文档的方法与 FAQ
    • 先看「Building an LLM application」系列，再看 Component Guides 查细节
    • 常见问题速查
  • 0.6 Python 异步编程基础（Async Programming）
    • LlamaIndex 大量使用 async/await，需掌握事件循环与并发写法

阶段 1｜核心概念与整体架构（Understanding）

文档路径：developers.llamaindex.ai/python/fram…

  • 1.1 RAG 五阶段全景（Introduction to RAG）
    • Loading（加载）：从文件/API/数据库把数据取进系统
    • Indexing（索引）：构建便于 LLM 查询的数据结构
    • Storing（存储）：向量库/文档库/索引元数据持久化
    • Querying（查询）：检索 + 合成答案
    • Evaluating（评估）：衡量准确率/相关性/忠实度
  • 1.2 使用 LLM（Using LLMs）
    • 远程 API 与本地模型两种路线
    • 数十种受支持 LLM 一览
  • 1.3 构建 Agent（Building Agents）
    • 单 Agent：FunctionAgent 快速上手
    • 使用现成工具（Tools）
    • 状态维护（State）
    • 流式输出与事件（Streaming）
    • 人在回路（Human-in-the-loop）
    • 多智能体协作（AgentWorkflow / Multi-agent）
  • 1.4 构建 Workflow（Building Workflows）
    • 简单 Workflow：Workflow 类 + @step + StartEvent/StopEvent
    • 循环与分支（Looping and Branching）
    • 并发执行（Concurrent Execution）
    • 流式事件（Streaming Events）
    • 有状态 Workflow（Stateful Workflows）
    • 可观测性（Observability）
  • 1.5 给 Agent 加 RAG
    • 加载与摄入（Ingestion）、索引与嵌入（Embedding）、存储、查询
    • 与阶段 3/4/5 联动理解
  • 1.6 结构化数据抽取（Structured Data Extraction）
    • 使用结构化 LLM、结构化预测、底层抽取
  • 1.7 追踪调试与评估
    • Tracing and Debugging、Evaluating、Cost Analysis
  • 1.8 组装完整应用（Putting It All Together）
    • Full-Stack Web App、Chatbot、Q&A、Structured Data
  • 1.9 隐私与安全（Privacy and Security）

阶段 2｜模型层：LLM / Embeddings / Prompts（Models）

文档路径：developers.llamaindex.ai/python/fram…

  • 2.1 LLM 使用
    • 独立使用 LLM（llm.complete() / llm.chat()）
    • 在 LlamaIndex 抽象中自定义/切换 LLM（Settings.llm）
    • 本地模型：Ollama、LlamaCPP、llamafile、LM Studio 等
    • 主流集成：OpenAI、Anthropic、Gemini、Azure OpenAI、Bedrock、Groq、DeepSeek、Mistral、LiteLLM、OpenRouter 等
  • 2.2 Embeddings
    • 概念与使用（Settings.embed_model）
    • 集成：OpenAI、HuggingFace、Ollama、VoyageAI、Cohere、Jina 等
    • 自定义 Embedding
  • 2.3 多模态模型（Multi-modal Models）
    • 图像/音频等非文本输入处理
  • 2.4 Prompts
  • 2.5 Rerankers（重排序模型）
    • 用于查询后精排检索结果，提升精度

阶段 3｜数据加载与摄入（Loading / Ingestion）

文档路径：developers.llamaindex.ai/python/fram…

  • 3.1 Documents 与 Nodes
  • 3.2 SimpleDirectoryReader
    • 最常用的本地文件加载器（txt/md/pdf/docx 等）
  • 3.3 Data Connectors（数据连接器）
    • LlamaHub 数百个连接器：数据库、API、云存储、SaaS 等
    • 使用 LlamaParse 解析复杂文档
  • 3.4 Node Parsers / Text Splitters（切分器）
  • 3.5 Ingestion Pipeline（摄入管道）
    • Transformations：加载 → 解析 → 切分 → 嵌入 → 入库的端到端流水线
    • 增量摄入与缓存
  • 3.6 从 LlamaCloud 加载（Loading from LlamaCloud）

阶段 4｜索引与存储（Indexing & Storing）

文档路径：

  • 4.1 Index 类型与原理（How Each Index Works）
    • VectorStoreIndex（向量索引，最常用，重点掌握）
    • SummaryIndex（摘要索引）
    • TreeIndex（树索引）
    • KeywordTableIndex（关键词索引）
    • PropertyGraphIndex（属性图索引 / GraphRAG）
    • KnowledgeGraphIndex（知识图谱索引）
  • 4.2 文档管理（Document Management）
    • 插入、删除、更新文档；增量索引维护
  • 4.3 元数据抽取（Metadata Extraction）
    • 用 LLM 自动抽取文档元数据（标题、实体、关键词等）
  • 4.4 Vector Stores（向量数据库）
  • 4.5 其他存储
    • Document Stores（文档存储）、Index Stores（索引元数据）、Key-Value Stores、Chat Stores（聊天记忆）
  • 4.6 持久化与加载（Persisting & Loading）
    • index.storage_context.persist() 与重建索引

阶段 5｜查询与检索（Querying）

文档路径：developers.llamaindex.ai/python/fram…

  • 5.1 Retriever（检索器）
    • 概念与 Retriever Modes（不同索引对应的检索模式）
    • 常用模块：VectorIndexRetriever、SummaryRetriever、BM25Retriever、GraphRetriever 等
  • 5.2 Query Engine（查询引擎）
    • RetrieverQueryEngine 基础用法
    • 高级引擎：RouterQueryEngine（路由）、SubQuestionQueryEngine（子问题）、SQLQueryEngine（SQL）、JSONQueryEngine 等
    • Response Modes（refine / compact / tree_summarize 等）
    • Streaming（流式输出）
  • 5.3 Node Postprocessors（后处理器）
    • 相似度过滤、TopK 截断、Rerank（CohereRerank、LLMRerank 等）
  • 5.4 Response Synthesizers（响应合成器）
    • 如何把检索结果 + 提示词合成最终答案
  • 5.5 Chat Engine（聊天引擎）
    • 多轮对话、上下文记忆
    • Chat Store 与 Memory
  • 5.6 Structured Outputs（结构化输出）
    • Pydantic Program 定义输出 Schema
    • Output Parsing 模块
    • 使查询结果可直接进 API/数据库
  • 5.7 Text-to-SQL 与表格查询
    • 用自然语言查数据库 / CSV / Excel

阶段 6｜Agent 智能体（核心进阶）

文档路径：

  • 6.1 Agent 类型与选择
    • FunctionAgent：函数/工具调用型单 Agent
    • AgentWorkflow：多 Agent 编排器（handoff 机制）
    • 底层 AgentRunner（可选深挖）
  • 6.2 Tools（工具）
    • FunctionTool：把任意 Python 函数变成工具
    • QueryEngineTool：把 RAG/查询引擎封装成工具
    • 内置工具集与自定义工具
    • 模块指南：developers.llamaindex.ai/python/fram…
  • 6.3 Memory（记忆）
    • 对话记忆管理：ChatMemoryBuffer、向量记忆等
  • 6.4 状态与流式
    • Agent 状态维护、Streaming 输出与事件
  • 6.5 人在回路（Human-in-the-loop）
    • InputRequiredEvent 等机制让 Agent 向用户请求输入
  • 6.6 多智能体模式（Multi-agent）
    • 多 Agent 协作、任务分发、结果汇聚
    • 官方示例：多 Agent 报告生成、Weaviate QueryAgent 等

阶段 7｜Workflow 工作流（底层编排）

文档路径：

  • 7.1 Workflow 核心机制
    • Event（事件）、Step（步骤）、Context（上下文）
    • StartEvent / StopEvent、@step 装饰器、类型注解驱动路由
  • 7.2 控制流模式
    • 循环（Reflection 反思模式）、分支、条件路由
    • 并行执行（多个事件同时触发多个 step）
  • 7.3 状态管理
    • Context 与 ctx.store 共享数据
  • 7.4 流式事件与可观测性
    • 向用户推送流式事件；Workflow 的 tracing/debugging
  • 7.5 实战 Workflow 示例
    • Function Calling Agent Workflow、RAG with Reranking Workflow、Workflows Cookbook
  • 7.6 为什么用 Workflow 而非 DAG
    • 对比理解：循环/分支/数据传递的天然表达

阶段 8｜评估、成本与可观测性（Evaluation & Observability）

文档路径：

  • 8.1 评估体系
    • 评估维度：Correctness（正确性）、Relevancy（相关性）、Faithfulness（忠实度）等
    • Evaluators 使用（LLM 作为裁判）
    • 检索评估（Retrieval Evaluation）与响应评估（Response Evaluation）
  • 8.2 LlamaDatasets（标准化数据集）
    • LabelledRagDataset / LabelledEvaluatorDataset
    • 用开源数据集做基准测试
  • 8.3 成本分析（Cost Analysis）
    • Token 用量统计、调用成本估算、Usage Pattern
  • 8.4 追踪与调试（Tracing & Debugging）
    • 集成：Arize Phoenix、OpenTelemetry、AgentOps、Langfuse 等
  • 8.5 Instrumentation 与 Callbacks
    • 埋点、事件回调、Token 计数迁移指南

阶段 9｜实战用例与生产落地（Use Cases / Production）

文档路径：

  • 9.1 典型用例逐个实现
    • 问答（RAG）系统、Chatbot、Agents
    • 结构化数据抽取、多模态应用
    • 图查询（Querying Graphs）、Text-to-SQL、CSV 查询、表格图表解析
    • 微调（Fine-tuning）提升效果、Prompting 优化
  • 9.2 全栈 Web 应用
    • create-llama 脚手架
    • FastAPI/后端 + 前端集成
  • 9.3 部署（Deploying）
    • Agentic Workflow 部署为微服务
    • 生产环境注意事项（安全、隐私、性能）
  • 9.4 隐私与安全
    • 数据隔离、权限控制、合规处理

阶段 10｜LlamaCloud 托管服务

文档路径：developers.llamaindex.ai/python/clou…

  • 10.1 LlamaParse（文档解析）
    • 企业级文档解析：复杂表格、图表、扫描件 → Markdown/结构化数据
  • 10.2 LlamaExtract（结构化抽取）
    • 按 Schema 从任意文档抽取结构化数据
  • 10.3 LlamaClassify（文档分类）
  • 10.4 LlamaCloud Index（托管 RAG）
    • 免运维摄入管道、可扩展检索；LlamaCloudIndex + LlamaCloudRetriever 接入开源框架
  • 10.5 LlamaAgents（托管 Agent）
    • 云端部署与运行 Agentic 应用

阶段 11｜高级主题与生态（Advanced & Ecosystem）

  • 11.1 Settings 全局配置
  • 11.2 MCP（Model Context Protocol）
  • 11.3 Llama Packs（即用模板包）
  • 11.4 自定义组件
    • 自定义 Reader / Retriever / LLM / Embedding / Node Parser
  • 11.5 社区资源
    • Full-Stack Projects、Integrations 目录、GitHub 开源仓库
  • 11.6 版本与迁移
    • 关注 Release Notes 与 Deprecation（如 ServiceContext → Settings、旧 Agent API 迁移）

建议学习路线（速查）

阶段主题目标产出
0-1概念 + 5 行代码跑通第一个 RAG 问答
2模型层能自由切换 LLM/Embedding
3-4加载 + 索引 + 存储建出可复用的知识库
5查询掌握检索→重排→合成全链路
6Agent做出能调用工具的助手
7Workflow编排多步骤复杂应用
8评估学会量化改进效果
9-10实战 + LlamaCloud交付生产级应用
11生态扩展按需深入

学习提示：每个阶段配一个最小可运行示例，先「照着跑通」再「拆开理解」，最后「改造成自己的场景」。

avatar
文章
阅读
粉丝