#索引 Indexes

Index 把 Node 组织成查询时能快速取回的结构。LlamaIndex 里最常用的是 VectorStoreIndex：每个 Node 有一条 embedding，查询时做相似度检索。其他索引（摘要、关键词、树、属性图）解决不同取回模式；入门先把向量索引吃透，再按官方模块指南扩展。

本站 RAG 课讲「为什么要索引」；本章讲 LlamaIndex 里 怎么建、怎么存、怎么增量插入。

#VectorStoreIndex.from_documents

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)

幕后步骤（可被 Settings / transformations / storage_context 改写）：

1. 按 splitter 把 Document 切成 Node
2. 用 Settings.embed_model（未设置时走捆绑的 OpenAI embedding，历史默认 text-embedding-ada-002）计算向量
3. 写入 StorageContext 里的 vector store（默认内存 SimpleVectorStore）

指定切分与 LLM（示例用 gpt-4o-mini，以当前文档为准）：

from llama_index.core import Settings, VectorStoreIndex
from llama_index.core.node_parser import SentenceSplitter
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding

Settings.llm = OpenAI(model="gpt-4o-mini")
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")

index = VectorStoreIndex.from_documents(
    documents,
    transformations=[SentenceSplitter(chunk_size=512, chunk_overlap=50)],
    show_progress=True,
)

从已有 Node 构建：VectorStoreIndex(nodes)。已经把向量放进外部库时：VectorStoreIndex.from_vector_store(vector_store)（见 向量库）。

#磁盘持久化（默认存储）

内存索引进程一结束就没了，embedding 既贵又慢，所以要 persist：

index.storage_context.persist(persist_dir="storage")

from llama_index.core import StorageContext, load_index_from_storage

storage_context = StorageContext.from_defaults(persist_dir="storage")
index = load_index_from_storage(storage_context)

StorageContext 同时管 docstore / index store / vector store。自定义过 embed 或 transformations 的，加载时必须恢复同样的 Settings。

增量插入：

from llama_index.core import Document

index.insert(Document(text="新公告：下周系统维护。", metadata={"source": "notice"}))
index.storage_context.persist(persist_dir="storage")

#其他索引类型（知道即可）

不必一上来组合多种索引。先向量检索稳定，再按评测加关键词或图。组合查询可在 查询引擎 / 检索 用 Router 或融合 Retriever，而不是把所有数据复制进五套结构。

#索引不是数据库全文

Index 为 给 LLM 用的上下文选择 优化，不是替代 Postgres 里的业务表。结构化过滤、权限、事务仍应放在原系统；LlamaIndex 负责「这段自然语言该带上哪些块」。权限模型简单做法：按租户分 collection / persist 目录，或在 metadata 里打 tenant_id 并在检索时过滤。

#常见问题

重复 from_documents 导致账单翻倍？
启动时先看 storage/ 是否存在，存在就 load_index_from_storage，不要每次重建。

换了 embedding 模型答案变差？
新旧向量不在同一空间。必须清空存储后全量重建。

from_documents 卡在 embedding？
检查网络与 Key；可 show_progress=True。大批量用 ingestion pipeline + 外部向量库批写。

#下一步

• 查询引擎
• 检索 Retrieval
• 向量库集成