问答 (RAG)#

LLM 最常见的用例之一是回答关于一组数据的问题。这些数据通常以非结构化文档（例如 PDF、HTML）的形式存在，但也可能是半结构化或结构化的。

启用 LLM 问答的主要框架是检索增强生成（RAG）。LlamaIndex 提供了简单到高级的 RAG 技术，以应对不同数量和类型数据上的简单到复杂问题。您可以选择使用我们预构建的 RAG 抽象（例如查询引擎），或者构建自定义 RAG 工作流（示例指南）。

非结构化文档上的 RAG#

LlamaIndex 可以拉取非结构化文本、PDF、Notion 和 Slack 文档等，并将其中的数据进行索引。

最简单的查询涉及语义搜索或摘要。

如果您的数据已存在于 SQL 数据库、CSV 文件或其他结构化格式中，LlamaIndex 可以查询这些来源中的数据。这包括文本到 SQL（自然语言到 SQL 操作）以及文本到 Pandas（自然语言到 Pandas 操作）。

随着您处理更复杂的问题/更多数据，LlamaIndex 提供了许多技术来帮助您更好地理解查询、进行检索以及集成数据源。

查询复杂文档：通常您的文档表示很复杂——您的 PDF 可能包含文本、表格、图表、图像、页眉/页脚等。LlamaIndex 提供与我们专有的文档解析器 LlamaParse 集成的高级索引/检索功能。完整的实战指南在此。
合并多个来源：您的一些数据在 Slack 中，一些在 PDF 中，一些在非结构化文本中？LlamaIndex 可以合并来自任意数量来源的查询并将它们组合起来。
- 合并多个来源的示例
跨多个来源路由：给定多个数据来源，您的应用可以首先选择最佳来源，然后将问题“路由”到该来源。
- 跨多个来源路由的示例
多文档查询：有些问题的部分答案存在于多个数据来源中，需要在组合之前分别进行查询
- 多文档查询示例
- 在 LlamaIndex 文档上构建多文档代理 - 文本到 SQL

LlamaIndex 有很多关于问答 / RAG 的资源。这里列出了一些核心资源指南供参考。

我是 RAG 初学者，想学习基础知识：请参阅我们的“学习”系列指南。

我已构建了 RAG，现在想对其进行优化：请参阅我们的“高级主题”指南。

我更高级，想构建自定义 RAG 工作流：使用 LlamaIndex 工作流来组合高级的代理式 RAG 流水线，例如这个纠正性 RAG 工作流。

我想了解特定模块的全部内容：这里是核心模块指南，可帮助构建简单到高级的问答/RAG 系统