LlamaIndex 核心就是帮着做 RAG（数据检索增强）的。
它专门处理文档、网页这类一大堆没规整过的数据，能从中把有用的信息抽出来，还支持用自然语言去查询。
开发者用它很方便，能把庞大的数据集变成能直接用日常话问的知识库，让 LLM 更懂你的数据，也能更快找到你要的东西。
实现简单的RAG流程代码如下：
#导入包 from llama_index.core import VectorStoreIndex, SimpleDirectoryReader from llama_index.core import Settings from llama_index.embeddings.huggingface import HuggingFaceEmbedding from llama_index.llms.dashscope import DashScope from dotenv import load_dotenv import os#加载配置文件 load_dotenv() #选择千问模型 model = "qwen-plus" api_key = os.getenv("DASHSCOPE_API_KEY") api_base_url = os.getenv("DASHSCOPE_BASE_URL") llm = DashScope(model_name=model, api_key=api_key, api_base=api_base_url, is_chat_model=True, max_tokens=1000) Settings.llm = DashScope(model=model, api_key=api_key, api_base=api_base_url) # 加载本地的嵌入模型 # 安装ModelScope # pip install modelscope # 下载完整模型库 # modelscope download --model BAAI/bge-large-zh-v1.5 --local_dir D:\DataSource\local_model\bge-large-zh-v1.5\ Settings.embed_model = HuggingFaceEmbedding(model_name=r"D:\DataSource\local_model\bge-large-zh-v1.5") #从文件目录加载文件,自动选择对应的文档加载器 documents = SimpleDirectoryReader(input_dir="data").load_data() # 从文档创建索引 index = VectorStoreIndex.from_documents(documents) # 将索引转换为查询引擎 query_engine = index.as_query_engine() response = query_engine.query("个人信息保护法是怎么样的？不要捏造答案，不知道请回答不知道。") print(response)运行前准备知识库文件，我在代码文件同级目录准备了一个word文件，如下图
运行输出结果：
个人信息保护法是一部旨在保护个人信息安全的法律。它规定了国家机关、个人信息处理者以及履行个人信息保护职责部门的责任和义务。对于违反个人信息保护规定的，该法律设定了相应的法律责任，包括责令改正、给予处分、损害赔偿等。此外，还明确了个人信息处理者的定义，并对自动化决策、去标识化、匿名化等术语进行了界定。该法律自2021年11月1日起开始实施。如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
