LlamaIndex是一個專注于檢索增強生成(RAG)的工具，可以協助您豐富大模型的數據提示。本文將用實例向您展示和介紹。
眾所周知，GPT（General Pretrained Transformer）為我們描述了一套通過各種矩陣乘法，實現輸入、轉換和輸出的循環。其中的單詞（實際上是文本、聲音或圖像的令牌）會被轉換為具有足夠維度的矢量，從而表達內在意義。如下圖所示，為了確保被傳入的上下文是可以計算的，我們需要注意其臨近的動詞，并通過更多的矩陣乘法塊，來移動向量，進而更接近其上下文的真正含義（例如，“黑洞”就不僅僅是一個黑暗的洞穴的含義）。
不過，GPT產品的瓶頸在于：其對于下一個詞的猜測，頂多只能和輸入文本語料庫的水平相當。而如果我們需要向ChatGPT詢問那些它尚未學習過的文本時，鑒于輸入窗口的限制，我們無法將大量文本一次性塞入查詢中。而此時，我們就需要用RAG來對提示進行“豐富”。
如果您使用過矢量數據庫，那么一定聽說過RAG，它是檢索增強生成（Retrieval Augmented Generation）的縮寫，是一種在無需重新訓練的情況下，將新數據引入大語言模型（LLM）的方法。而LlamaIndex（https://docs.llamaindex.ai/en/stable/）則是一個專注于檢索的工具，可被用來協助您“豐富”數據的提示。
開始使用LlamaIndex
如果您想直接上手LlamaIndex，其快速的開始鏈接--https://docs.llamaindex.ai/en/stable/getting_started/installation/，給出了“5行代碼”入手法。
在Mac上，我選擇使用Visual Studio Code來安裝并運行Python 3。為此，我會打開一個Warp終端，并輸入如下命令：
>brew install python3完成后，我們可以通過如下截圖予以確認：
接著，我會在該空文件夾中啟動Visual Studio 。在安裝了Python擴展后，我使用Python來創建環境，即：從命令面板（Palette）中創建了一個特定于項目的虛擬環境。然后，我選擇了Venv，并最后確認了自己正在使用的是剛剛安裝好的Python：
根據LlamaIndex的說明，我們需要在Visual Studio Code的虛擬環境中，使用pip安裝lama-index包（注意，是在活動終端而非Warp中）：
下面，我需要向環境出示自己的OpenAI密鑰。鑒于在IDE下運行的虛擬環境的特性，我們將其粘貼在Visual Studio Code運行項目所制作的launch.json文件中，是最安全的（當然，您可能需要創建一個OpenAI帳戶。）：
..
"configurations":
[
{
"name": "Python Debugger: Current File",
"type": "debugpy",
"request": "launch",
"program": "${file}",
"console": "integratedTerminal",
"env":
{
"OPENAI_API_KEY": "XXXX"
}
}
]
..按照LlamaIndex開始教程中的建議，我從鏈接--https://raw.githubusercontent.com/run-llama/llama_index/main/docs/docs/examples/data/paul_graham/paul_graham_essay.txt下載并放置了一個名為data的文件夾，其中包含了一本冗長的傳記。
在Visual Studio代碼中，我創建了一個starter.py文件，其內容如下：
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("What did the author do growing up?")
print(response)可見，就算您對Python并無深入的了解，也能依靠llama_index軟件包構建出大部分代碼。下面展示的是它對于查詢的回復：
為了確認我確實調用了OpenAI，以下便是我帳戶活動的統計數據：
那么，這段代碼到底能做什么呢？它會將新的文本嵌入到矢量存儲中，并通過調用VectorStoreIndex以便在查詢時提供檢索，并在調用進入GPT-3.5之前，以英語形式添加到上下文的窗口中。這便是我在前文中提到的對提示進行“豐富”的實踐。
通過添加兩行日志代碼，我既能夠提取大量密集的REST調用，也可以從llama_index包中提取如下實用的提示：
DEBUG:llama_index.core.indices.utils:> Top 2 nodes:
> [Node 167d0eb4-7dba-4b93-85ec-3f5779b32daa] [Similarity score: 0.819982]
"What I Worked On February 2021 Before college the two main things
I worked on, outside of school..."
> [Node ee847bc2-d56a-4c26-afd7-c4bee9a3d116] [Similarity score: 0.811733]
"I remember taking the boys to the coast on a sunny day in 2015 and
figuring out how to deal with ..."據此，我們可以了解到其后臺發生的調用與變化了。
在完成之前，我會在data文件夾中添加另一個文檔：莎士比亞的《十四行詩》。雖然我無法保障LLM已經有所“知曉”，但是顯然這一堆詩并不會構成具有實際意義的敘事。
據此，我將使用一個故意模糊的問題，來運行如下額外的查詢：
..
response = query_engine.query("Who is Blessed?")
print(response)就此，我得到的簡短回答是：
Adonis is Blessed.是不是非常有趣？在后臺，llama_index包“捕獲”的是這十四行詩中提到Adonis的如下區域：
“你是被祝福的，你的價值給了你機會，你必須勝利，雖然缺乏希望。你的本質是什么？你是由什么構成的？既然每個人都有自己的影子，而你也有自己的那個。不過，每個影子都能借來指代Adonis和其贗品，也就是去模仿你。在Helen的臉頰上，所有美麗的藝術，就像你在希臘的輪胎上涂上了新的顏色。雖說是春天，但一年后仍會腐朽。一個是你美麗的影子，另一個則是你的慷慨，你是我們所知道的每一個幸福的該有的形狀。”
就像我們之前看到的日志節點那樣，我也截獲到了如下節點信息：
DEBUG:llama_index.core.indices.utils:> Top 2 nodes:
> [Node 38e29f53-3656-4b55-ab6b-08acf898f122] [Similarity score: 0.766188]
"Blessed are you whose worthiness gives scope, Being had to triumph,
being lacked to hope. What i..."
> [Node 16d55fda-34ac-42cf-9b08-66d2c6944302] [Similarity score: 0.730936]
"And other strains of woe, which now seem woe, Compared with loss of thee,
will not seem so. Some..."可見，其中大部分出自十四行詩的第53節。“blessed”一詞確實出現在“Adonis”的附近。
當然，對于表現足夠好的LlamaIndex來說，這些都不是問題。我剛剛使用了構建管道的第一步，LlamaIndex后續會為您提供更多的、以這類方式處理文檔的解釋。
小結
目前，雖然我們仍然缺乏一種全面的語言來描述模型內部發生的事情，但是通過LlamaIndex使用的RAG不乏一種可靠的途徑。它既可以增強針對特定領域信息的大語言模型，也可以確保處理結果的可驗證性。而這一切都旨在減少錯誤應答的可能，而這正是當前困擾人工智能的典型問題。
譯者介紹
陳峻（Julian Chen），51CTO社區編輯，具有十多年的IT項目實施經驗，善于對內外部資源與風險實施管控，專注傳播網絡與信息安全知識與經驗。
原文標題：A Developer’s Guide to Getting Started with LlamaIndex，作者：David Eastman
鏈接：https://thenewstack.io/a-developers-guide-to-getting-started-with-llamaindex/。
