#LlamaIndex 完整教程

欢迎来到 LlamaIndex 完整教程。本教程基于 LlamaIndex Python 官方文档 与开源项目 run-llama/llama_index 整理，聚焦 用你的数据做 RAG 与文档 Agent：从加载文档、建索引、查询，到 FunctionAgent 与事件驱动 Workflows。

LlamaIndex 的口号是 Context Augmentation（上下文增强）：把私有 PDF、Wiki、SQL、API 变成 LLM 在推理时能用的上下文。最常见形态就是 RAG；同一套索引也可以作为 Agent 的工具。

---

#教程目录

#基础篇

1. LlamaIndex 简介 — 数据层定位，与 LangChain / CrewAI / 本站 RAG 课的关系
2. 安装与环境 — pip install llama-index、API Key、Settings
3. 快速上手 — FunctionAgent、VectorStoreIndex、持久化、多轮 Context

#数据与查询

4. 加载器与 Node — Document、Node、SimpleDirectoryReader、切分
5. 索引 Indexes — VectorStoreIndex.from_documents、其他索引类型
6. 查询引擎 — as_query_engine、合成模式、Chat Engine
7. 检索 Retrieval — Retriever、top-k、后处理、Agentic RAG

#编排与存储

8. Workflows 工作流 — 事件驱动 @step、与 LangGraph 的差别
9. 向量库集成 — Chroma / pgvector / Qdrant 接入包

#实战篇

10. 实战案例 — 文档问答、带工具的 RAG Agent、多轮会话
11. 资源与延伸阅读 — 官方文档、LlamaHub、本站相关课

---

#学习路径

#前置知识

• Python 3.10+ 基础（函数、类型注解、asyncio 入门即可）
• 了解 LLM Chat API 与「把文档切块再检索」的直觉
• 至少一个 Provider 的 API Key（本课示例用 OpenAI；本地模型见 Ollama）

#和本站其他课程的关系

一句话选型： 文档与检索是主战场 → LlamaIndex；要标准 ReAct Agent + 中间件 → LangChain；要「研究员 + 写手 + 审稿」角色班组 → CrewAI。三者可以组合，不必互斥。

#学完你能写出什么

• 一个从 data/ 加载、VectorStoreIndex.from_documents 建库、as_query_engine 问答的脚本
• 带乘法 / 检索工具的 FunctionAgent，并用 Context 做多轮
• 把索引 persist 到磁盘，或换到 Chroma / pgvector / Qdrant 集成包
• 读懂官方 Workflows 页的 @step + Event 图，而不把查询引擎误当成图编排

官方另有 LlamaIndex.TS；本课只覆盖 Python。TypeScript 读者请走 framework 文档 里的 TS 入口。

#学习建议

1. 先建 data/ 放几份自己的 Markdown / PDF，不要只用空目录
2. 示例 LLM 用 gpt-4o-mini；框架历史默认曾是 gpt-3.5-turbo，以当前官方文档为准
3. 索引建完立刻 persist，避免每次启动都重新 embedding
4. 查询失败时先打印 response.source_nodes，再调 top-k 与切块

---

#下一步

• LlamaIndex 简介
• 安装与环境
• 快速上手