LlamaIndex 查询与检索 (Querying)

一旦你建立了索引，下一步就是通过“查询引擎”来获取答案。LlamaIndex 提供了从基础到高阶的多种查询模式。

#1. 查询引擎 (Query Engine)

查询引擎是一个端到端的接口，它接收一个字符串问题，并返回一个 Response 对象。

python复制
query_engine = index.as_query_engine()
response = query_engine.query("请总结本文档。")

print(response.response) # 文本答案
print(response.source_nodes) # 答案来源的原始节点

#2. 检索器 (Retriever) - 核心组件

如果你不需要 LLM 生成最终答案，只需要找出相关的文本片段，你可以直接使用检索器。

python复制
retriever = index.as_retriever(similarity_top_k=3)
nodes = retriever.retrieve("什么是向量数据库？")

#3. 高级查询模式

#A. 对话引擎 (Chat Engine)

与查询引擎不同，对话引擎具有 Memory，可以进行多轮对话。

python复制
chat_engine = index.as_chat_engine()
response = chat_engine.chat("你好，我叫小明")
response = chat_engine.chat("我刚才说我叫什么？")

#B. 路由查询 (Router Query Engine)

如果你有多个索引（比如一个文档索引和一个总结索引），路由引擎可以自动判断应该去哪个索引里找答案。

#C. 子问题查询 (Sub-Question Query Engine)

对于复杂问题（如：对比 A 公司和 B 公司的财务报表），该引擎会将其拆解为多个子问题，分别查询后再汇总。

#4. 检索优化技巧 (RAG 进阶)

LlamaIndex 最强大的地方在于它内置了许多先进的检索策略：

• Metadata Filtering: 仅检索特定日期或分类的文件。
• Re-ranking (重排序)：先初步检索 20 个片段，再用一个更精准的模型（如 Cohere Rerank）选出最相关的 3 个。这能极大提升答案质量。
• Hybrid Search: 结合向量搜索（语义）和关键词搜索（精准匹配）。

#5. 结构化输出

你可以要求查询引擎直接返回 JSON 或 Pydantic 对象，方便下游程序处理。

python复制
from pydantic import BaseModel

class Info(BaseModel):
    name: str
    amount: float

query_engine = index.as_query_engine(output_cls=Info)

---

总结：LlamaIndex 提供了目前业界最专业的 RAG 检索链路。如果你的应用对回答的准确性要求极高，你应该深挖它的检索优化功能。