LlamaIndex Embedding Model 完全指南在 LlamaIndex 中，Embedding 模型是将文本转换为向量表示的核心组件，直接影响检索质量。本文将系统地介绍如何使用、配置和评估 Embedding 模型，并特别加入针对中文场景的详细推荐。目录概念与核心作用安装与基础配置各...
大模型文档
标签：大模型文档下的所有文章
44 篇文章
0 min 平均阅读
LlamaIndex 文档切分 Node 教程（完整版）一、核心概念：Document vs NodeDocument：原始文档对象，可以是一整个文件或一段文本Node：文档切分后的"块"，包含文本内容、元数据以及节点间的关系信息（如前后节点、父节点引用）from llama_index.core....
LlamaIndex 文档加载完全指南文档加载是 LlamaIndex 构建 RAG 应用的第一步，也是最基础的一步。本文将全面介绍 LlamaIndex 中文档加载的各种方式、核心概念以及高级自定义技巧。一、核心概念：Document在 LlamaIndex 中，Document（文档）是对原始数...
索引、向量数据与数据库的关系这是一个非常核心的问题。理解三者的关系，对于设计RAG应用的存储架构至关重要。一、概念澄清1.1 各角色定义组件本质存储内容比喻向量数值化后的文本特征浮点数数组（如[0.12, -0.34, 0.56...]）文档的"DNA编码"索引(Index)高效检索向量的数据结构向...
LlamaIndex 学习文档一、文档前言1.1 文档定位本文专为大模型应用程序员设计，核心聚焦 LlamaIndex（官网最新版本） 搭建 RAG（检索增强生成）系统，全程使用千问模型（Qwen） 作为 LLM（大语言模型）和 Embedding 模型，所有代码均遵循 LlamaIndex 官网最...
14 - RAG Advanced (RAG 进阶)快速开始# 1. 安装额外依赖 pip install rank_bm25 chromadb langchain-classic # 2. 运行完整示例 cd phase2_practical python 14_rag_advanced/mai...
完整json对话日志注解{ "messages": [ // ============================================== // 1. 用户提问 // ==================================...
BaseLoader、Document源码分析BaseLoaderLangChain在设计时，要保证Source中多种不同的数据源，在接下来的流程中可以用一种统一 的形式读取、调用。 另一方面：为什么 PDFloader 和 TextLoader 等Document Loader 都使用 load...
大模型 RAG (检索增强生成) 详解RAG (Retrieval-Augmented Generation，检索增强生成) 是目前大语言模型（LLM）应用中最主流、最核心的架构模式之一。它巧妙地结合了检索系统（类似搜索引擎）和生成系统（大语言模型），旨在解决大模型固有的“幻觉”、知识滞后以及私有数...
尚硅谷-conda使用指南讲师：尚硅谷-宋红康官网：尚硅谷1. Conda 基本介绍1.1 什么是 Conda、MiniConda、AnacondaConda是一个包和环境管理的工具。支持 Windows、macOS和 Linux。Conda可以快速的安装、运行和更新包和相关的依赖。Conda也可以...