文章目录
- 先说痛点：大模型很聪明，却「不认识」你的数据
- 一句话认识 LlamaIndex
- 硬核数据：为什么它值得你花时间
- 功能全景：六大能力域一次看清
- 整体架构：core 与 integrations 的「双轮驱动」
- 一个必须掌握的细节：命名空间约定
- 两种安装方式，对应两类人
- 走进 llama-index-core：40+ 子模块的五层结构
- 集成生态：26 类、300+ 包，随插随用
- 快速上手：从安装到第一次查询（关键代码）
- 安装：按需拼装
- 用 OpenAI 跑通最简单的向量索引
- 换成非 OpenAI 的模型（本地 / 其他厂商）
- 查询
- 持久化与重载（生产必备）
- 核心运行流程：RAG 的两阶段
- 一次查询的完整时序
- 进阶：从 5 行代码到深度自定义
- 企业级细节：构建资产的安全验证（很多人忽略）
- 演进与战略：从 RAG 工具，到文档解析平台
- 最佳实践与避坑清单
- 结语：把私有数据，真正变成大模型的「上下文」
这是一篇把 LlamaIndex 讲透的长文：从「是什么、为什么」到「架构怎么搭、流程怎么跑、坑怎么避」，一次讲清。关键代码只给你最值得记住的那几段，图全部用高清矢量 SVG 绘制。
先说痛点：大模型很聪明，却「不认识」你的数据
大语言模型（LLM）是一项了不起的技术：它擅长知识的生成与推理，因为它已经在海量公开数据上完成了预训练。但问题也随之而来——
它预训练用的，都是「公开数据」。而你真正值钱的知识，往往藏在私有数据里：公司内部的 PDF 手册、业务数据库里的 SQL 记录、散落在各种文档里的行业经验、只存在于你硬盘上的 Word 与 PPT……
于是就有了那个经典之问：我们到底该怎么把 LLM 和我们自己的私有数据结合起来，让它「懂」我们？
答案是一套完整的数据增强工具链。你需要有人帮你在模型和数据之间修一条高速公路：把外面的数据接进来、把接进来的数据整理成模型能读的格式、再在提问时把最相关的片段喂给模型。这条链路上的每一环，都值得一个专门的框架来负责。
LlamaIndex，就是为这件事而生的「数据框架」。
（下文所有数据与事实均来自项目官方公开资料与仓库结构，本文字数控制在 3 万字以内，建议收藏后按需精读。）
一句话认识 LlamaIndex
LlamaIndex 的自我定位非常清晰：它是一个「数据框架」，用来帮你构
