关于LlamaIndex 的几种索引方式介绍
每个索引的工作原理
本指南介绍每个索引如何与图表配合使用。
一些术语：
- Node：对应于
Document中的一段文本。LlamaIndex接收Document对象，并在内部将它们解析/分块为 Node 对象。 - Response Synthesis：我们的模块，在给定检索到的 Node 的情况下合成响应。您可以了解如何指定不同的响应模式。
Summary Index （摘要索引）（以前称为 List Index）
摘要索引只是将 Node 存储为顺序链。
查询
在查询期间，如果未指定其他查询参数，则 LlamaIndex 只会将列表中的所有 Node 加载到 我们的响应合成模块。
摘要索引确实提供了多种查询摘要索引的方法，从基于嵌入的查询中查询 将获取前 K 个邻居，或者添加关键字过滤器，如下所示：
Vector Store Index(向量存储索引)
Vector Store 索引将每个 Node 和相应的嵌入存储在 Vector Store 中。
查询
查询 vector store 索引涉及获取前 k 个最相似的 Node，并将 这些添加到我们的 Response Synthesis 模块中。
Tree Index(树索引)
树索引从一组 Node（成为此树中的叶节点）构建分层树。
查询
查询树索引涉及从根节点向下遍历 到叶节点。默认情况下，（） 会生成一个查询 在给定父节点的情况下选择一个子节点。如果 ，则查询 每个级别选择两个子节点。child_branch_factor=1child_branch_factor=2
Keyword Table Index(关键字表索引)
keyword 表索引从每个 Node 中提取关键字，并从 each 关键字添加到该关键字的相应 Node 中。
查询
在查询期间，我们从查询中提取相关关键字，并将这些关键字与预先提取的 Node 关键字来获取相应的 Node。提取的 Node 将传递给我们的 Response Synthesis 模块。
Property Graph Index (属性图索引)
Property Graph Index 的工作原理是首先构建一个包含标记节点和关系的知识图谱。此图的构造是高度可定制的，从让 LLM 提取它想要的任何东西，到使用严格的架构提取，甚至实现您自己的提取模块。
或者，还可以嵌入节点以供以后检索。
您还可以跳过创建，并使用 Neo4j 等集成连接到现有知识图谱。
查询
查询 Property Graph 索引也非常灵活。检索的工作原理是使用多个子检索器并组合结果。默认情况下，使用 keyword + synoymn expanasion 以及向量检索（如果您的图形是嵌入的）来检索相关的三元组。
除了检索到的三元组之外，您还可以选择包含源文本（不适用于在 LlamaIndex 之外创建的图形）。
在 Property Graphs 完整指南中了解更多信息。