垦荒学园
  • 中文

      • 检索 Retrieval

      Retriever 只负责「给定查询字符串，返回 Node 列表」，不做 LLM 合成。QueryEngine 内部第一段就是 Retriever。把它单独拿出来，才能做混合检索、当 Agent 工具、或在 Workflow 的某一步里调用。

      retriever = index.as_retriever(similarity_top_k=5)
nodes = retriever.retrieve("假期如何申请？")
for n in nodes:
    print(n.score, n.metadata, n.get_content()[:200])

      异步：await retriever.aretrieve(query)。分数含义取决于后端（余弦 / 内积 / 距离），不要跨向量库比较绝对值。

      VectorIndexRetriever

      与 as_retriever 等价的显式写法：

      from llama_index.core.retrievers import VectorIndexRetriever

retriever = VectorIndexRetriever(
    index=index,
    similarity_top_k=10,
)

      as_query_engine(similarity_top_k=...) 只是把这个参数传给内部 retriever。调试召回时，先固定 k，打印内容，再接到 synthesizer 上。

      后处理：过滤与重排

      官方查询文档里的后处理器示例：

      组件作用
      SimilarityPostprocessor丢掉低于 similarity_cutoff 的节点
      KeywordNodePostprocessorrequired_keywords / exclude_keywords
      PrevNextNodePostprocessor按 Node 关系把前后块拼回来（小块检索、大块生成）
      from llama_index.core.postprocessor import (
    SimilarityPostprocessor,
    KeywordNodePostprocessor,
)
from llama_index.core.query_engine import RetrieverQueryEngine

engine = RetrieverQueryEngine.from_args(
    retriever,
    node_postprocessors=[
        KeywordNodePostprocessor(required_keywords=["政策"], exclude_keywords=["草稿"]),
        SimilarityPostprocessor(similarity_cutoff=0.65),
    ],
)

      生产上常用 reranker（交叉编码器）对 top-k 再排序。具体类名与安装包以当前 Node Postprocessor 文档为准，不要抄过期 import。

      元数据过滤

      摄入时写入的 metadata 可在查询时过滤（租户、年份、文件类型）。向量库不同，过滤语法略有差异，思想一致：先缩小候选，再算相似度。

      from llama_index.core.vector_stores import MetadataFilters, MetadataFilter, FilterOperator
from llama_index.core.vector_stores.types import FilterCondition

filters = MetadataFilters(
    filters=[
        MetadataFilter(key="department", value="hr", operator=FilterOperator.EQ),
    ],
    condition=FilterCondition.AND,
)
retriever = index.as_retriever(similarity_top_k=5, filters=filters)

      字段名必须与摄入时一致。若当前版本的 MetadataFilters 参数有出入，以官方 Vector Store 集成页为准。

      提升召回（与 RAG 通识同一套）

      手段在 LlamaIndex 中的落点
      加大 ksimilarity_top_k
      更合理切块SentenceSplitter / IngestionPipeline
      混合检索向量 + 关键词；部分 store（如 Qdrant、pgvector）提供 hybrid 开关
      查询改写Chat Engine 的 condense，或 Workflow 里先 LLM 扩写 query
      多路检索多个 Retriever，再融合 / Router Query Engine
      评测固定问题集，看 source_nodes 是否含金标准段落

      本站 RAG 讲这些手段的「为什么」；这里只映射到 API。Agent 自己决定检索词、多跳搜索，就是 Agentic RAG：把 retriever 或 query engine 做成 FunctionAgent 工具（见 查询引擎）。

      只检索、自己生成

      from llama_index.llms.openai import OpenAI

llm = OpenAI(model="gpt-4o-mini")
nodes = retriever.retrieve("退货窗口几天？")
context = "\n\n".join(n.get_content() for n in nodes)
prompt = f"只根据资料回答，不知道就说不知道。\n\n{context}\n\n问题：退货窗口几天？"
print(llm.complete(prompt))

      这条路便于单测（对 retrieve 断言），也便于接到 LangChain 或 CrewAI：它们拿到的是字符串工具结果，不必依赖 LlamaIndex 的 synthesizer。

      下一步

      评论