企业官网建设流程全解析

LlamaIndex 十分钟装完即用：从一键安装到本地模型的一页速查

【免费下载链接】llama_indexLlamaIndex is the leading document agent and OCR platform项目地址: https://gitcode.com/GitHub_Trending/ll/llama_index

LlamaIndex（前身 GPT Index）是一个面向大语言模型应用的数据框架，负责把文档、数据库、API 等私有数据接进 LLM，帮你搭出能"查自家资料"的 RAG 应用。无论你是第一次装 LlamaIndex 的新手，还是打算把索引跑进生产环境的工程师，下面几条路线任选其一，大约十分钟就能动手。

先看你是哪种人：30 秒选路

• 只想跑个 Demo、用 OpenAI→ 走路线 A，一条命令装完
• 不想掏 API 钱，想用 Ollama / 本地嵌入模型→ 走路线 B
• 要上线、要容器化、要可观测→ 走路线 C
• 要改核心代码、给仓库提 PR→ 走路线 D

四条路线互不重复，各给最小可行步骤。

🚀 路线 A：一条命令的 5 分钟快速上手

pip install llama-index

装的是"starter"包：llama-index-core加上一组常用集成，适合先跑通再说。为什么用它而不是 core？省得你逐个挑选集成包，代价是依赖略多。

默认用 OpenAI 服务，密钥放环境变量里，别写进代码（一旦提交进仓库就收不回来了）：

export OPENAI_API_KEY='your-api-key-here'

验证安装是否成功，把目录换成你自己的文档文件夹即可：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader documents = SimpleDirectoryReader("./my_docs").load_data() index = VectorStoreIndex.from_documents(documents) print(index.as_query_engine().query("这些文档在讲什么？"))

能打出回答，就说明读取、建索引、查询三件事全通了：

🏠 路线 B：本地模型玩家，零 API 开销

只装你真正要用的零件：

pip install llama-index-core llama-index-readers-file \ llama-index-llms-ollama llama-index-embeddings-huggingface

选包的思路记住一句：core 必装，然后按需挑llama-index-llms-*（语言模型）、llama-index-embeddings-*（嵌入）、llama-index-readers-*（数据读取）三个系列。这样装的好处是依赖干净、升级不扯皮。

本地模型要和 token 切分对齐，换模型时记得同步改：

from llama_index.core import Settings from llama_index.llms.ollama import Ollama from llama_index.embeddings.huggingface import HuggingFaceEmbedding Settings.llm = Ollama(model="llama-3.1:latest", request_timeout=360.0) Settings.embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-small-en-v1.5")

后面加载文档、建索引的代码和路线 A 完全一样，不用重复。

🏭 路线 C：生产部署者的三件事

版本钉死。安装时固定版本号（如llama-index-core==x.y.z），否则某天上游发新版，线上行为可能悄悄变化。

缓存目录指个明确位置。运行时会缓存 nltk、tiktoken 等资源，服务器磁盘权限往往有限制，显式指定更稳：

export LLAMA_INDEX_CACHE_DIR=/opt/myapp/cache

别忘持久化。索引默认只在内存里，进程一重启就没了，落盘一行解决：

index.storage_context.persist() # 默认写入 ./storage

上生产后建议把调用量、成本、用户反馈接进监控面板，出问题能第一时间看到是哪一步劣化：

🛠️ 路线 D：从源码装，动核心代码

需要改llama-index-core或维护集成包时，从源码起步：

git clone https://gitcode.com/GitHub_Trending/ll/llama_index cd llama_index uv sync uv run pre-commit install

仓库统一用uv管环境：先在全局层uv sync装好 pre-commit 钩子，再cd进具体包目录（比如llama-index-integrations/llms/llama-index-llms-openai），该包会以可编辑模式装进环境，改完代码直接uv run -- pytest跑测试。动手前先读一遍 CONTRIBUTING.md 里"可以做 / 不建议做"的边界。

核心与集成包是可组合的：一份文档进来，被切成分层 Node，再喂给不同的索引和查询引擎，这也是源码里最该先读懂的一张图：

🕳️ 踩坑速查：症状 → 原因 → 一行解法

下一步：三件今天就能做的事

1. 打开 docs/examples/vector_stores/，挑一个你最熟的向量库跑一遍官方 notebook，对比它和内存索引的差别。
2. 翻一遍 docs/examples/query_engine/，给今天的索引换成带引用来源的查询引擎。
3. 小目标：拿自己写的 3 篇 Markdown 建成索引，问出一个带"出处"的问题——做到这一步，LlamaIndex 就算真正上手了。

更多细节看 README.md，它比任何教程都新。

【免费下载链接】llama_indexLlamaIndex is the leading document agent and OCR platform项目地址: https://gitcode.com/GitHub_Trending/ll/llama_index