企业官网建设流程全解析

1. 基础概念

1.1 索引（Index）

索引（Index）是面向查询场景、可快速匹配上下文信息的数据结构，是构成LlamaIndex检索增强生成（RAG）框架的核心基础。

从构建链路来看，索引的原始输入为文档（Documents），基于索引实例可构建查询引擎（Query Engines）和对话引擎（Chat Engines），从而实现领域私有数据上的问答交互。

底层存储层面，索引将原始文档切分后的文本块封装为节点（Node）对象进行管理，并暴露检索器（Retriever）接口，支持检索策略的自定义配置与自动化编排。

目前最常用的索引VectorStoreIndex（向量存储索引）

1.2 索引构建（Indexing）

索引构建（Indexing）：是把原始文档数据，经过解析、分块、向量化等一系列处理，最终生成可用于快速检索的索引（Index）的完整流程，属于RAG链路里数据预处理阶段。

LlamaIndex标准流程：

1. 原始文档加载：读取文件、网页等原始内容，生成Document对象
2. 文档切分：将长文档切割成多个文本片段，封装为Node（节点）
3. 可选处理：对Node生成向量嵌入、提取关键词、构建树/图谱关系等（不同索引类型处理不一样）
4. 入库持久化：把Node、向量、映射关系存入索引/向量库，最终得到可用的Index实例

索引（Index）的区分：

2. 索引类型

术语说明：

• 节点（Node）：对应文档中的一段文本块。LlamaIndex接收文档（Document）对象后，内部会将文档解析、切分为多个节点对象。
• 响应合成（Response Synthesis）：该模块会基于召回得到的节点内容，生成最终回答。

2.1 摘要索引（Summary Index / List Index）

摘要索引仅将所有节点存储为顺序链表。

查询时，如果没有额外指定查询参数，LlamaIndex会直接将列表内全部节点送入响应合成模块。

摘要索引支持多种查询方式：可以基于向量嵌入查询，召回相似度最高的Top-K节点；也可以搭配关键词过滤，如下图所示：

2.2 向量存储索引（Vector Store Index）

向量存储索引会把每个节点，以及节点对应的向量嵌入存入向量数据库（Vector Store）。

查询向量存储索引时，会召回和用户问题相似度最高的Top-K节点，再将这些节点送入响应合成模块。

2.3 树索引（Tree Index）

树索引会基于一批节点构建层级树结构，原始节点会作为树的叶子节点。

查询树索引的过程就是从根节点向下遍历至叶子节点。默认配置（child_branch_factor=1）下，每个父节点仅选择1个子节点继续遍历；如果设置child_branch_factor=2，每一层都会选取2个子节点。

2.4 关键词表索引（Keyword Table Index）

关键词表索引会从每个节点中提取关键词，建立关键词 → 对应节点的映射关系。

查询阶段，系统会从用户问题中提取相关关键词，和预提取的节点关键词做匹配，拉取对应的节点内容，再送入响应合成模块。

2.5 属性图索引（Property Graph Index）

属性图索引的工作方式：首先构建知识图谱，图谱包含带标签的节点与关系。图谱构建的可定制性极强：既可以让大模型自由抽取实体和关系，也可以基于严格的预定义Schema抽取，甚至支持自定义抽取模块。

可选配置：可以为节点生成向量嵌入，用于后续检索。

也可以跳过图谱创建流程，直接对接已有的外部知识图谱（例如Neo4j）。

属性图索引的查询方式同样高度灵活：检索能力由多个子检索器协同工作、合并结果。默认会启用关键词+同义词扩展，同时如果图谱预先生成了向量，还会叠加向量检索，以此召回相关三元组。

你可以选择在返回结果里附带原始文本（从LlamaIndex外部创建的图谱不支持该能力）。

详情查阅属性图完整指南。

3. 官方参考文档

• Vector Store Index
• Summary Index
• Tree Index
• Keyword Table Index
• Knowledge Graph Index
• Knowledge Graph Query Engine
• Knowledge Graph RAG Query Engine
• REBEL + Knowledge Graph Index
• REBEL + Wikipedia Filtering
• SQL Query Engine
• DuckDB Query Engine
• Document Summary Index
• Object Index