本文档是一个中心，展示了如何仅使用底层抽象（例如 LLM、提示、嵌入模型）构建 RAG 和基于代理的应用，而无需使用更多“打包好的”开箱即用抽象。
开箱即用抽象包括
高级摄取代码，例如 VectorStoreIndex.from_documents
- 高级查询和检索器代码，例如
VectorStoreIndex.as_retriever()和VectorStoreIndex.as_query_engine() - 高级代理抽象，例如
OpenAIAgent - 我们的目标是教育用户了解底层工作原理，而不是直接使用这些抽象。通过向您展示构建 RAG 和代理工作流的底层算法，您可以有能力创建自己的自定义 LLM 工作流（同时仍然可以在任何适当的粒度级别使用 LlamaIndex 抽象）。
我们将展示如何从零开始逐步构建一个应用。为了集中重点，每个教程将展示如何从零开始构建特定组件，同时对其他组件使用开箱即用抽象。注意：这是一份正在进行中的文档，我们正在完善它！
从零开始构建摄取#
本教程展示了如何定义到向量存储的摄取管道。
从零开始摄取
本教程展示了如何构建一个检索器来查询向量存储。
从零开始向量检索
本教程展示了如何仅使用开源组件构建摄取/检索管道。
开源 RAG
如果您想了解向量存储的工作原理，这里有一个教程，展示了如何构建一个非常简单的能够进行密集搜索 + 元数据过滤的向量存储。
显然不能替代生产数据库。
从零开始向量存储
本教程展示了如何使用 LLM 根据一组检索到的上下文合成结果。处理上下文溢出、异步调用和源引用！
从零开始响应合成
学习如何使用 LLM 和提示模块构建常见的基于 LLM 的评估模块（正确性、忠实度）；这将帮助您定义自己的自定义评估！
从零开始评估
这些教程将向您展示如何构建超越基本 RAG 工作流的高级功能。对于有自定义工作流/生产需求的高级用户特别有帮助。
从零开始构建混合搜索#
混合搜索是许多向量数据库支持的高级检索功能。它允许将密集检索与带有匹配关键词的稀疏检索相结合。
从零开始构建路由器#
除了标准的 RAG 工作流，本教程通过展示如何从零开始构建路由器模块，将您带向使用 LLM 实现自动化决策的一步。
从零开始路由器
这里我们将向您展示如何构建一个能够进行查询重写、集成、动态检索的高级检索器。
从零开始 Fusion 检索
RAG 作为一个框架主要关注非结构化数据。LlamaIndex 也开箱即用地支持结构化数据和半结构化数据。
查看下面的指南，了解如何从零开始构建 text-to-SQL 和 text-to-Pandas（使用我们的 Query Pipeline 语法）。
从零开始 Text-to-SQL
