语义搜索

LlamaIndex最基本的用法是通过语义搜索。我们提供了一个简单的内存向量存储，以便您开始使用，但您也可以选择使用我们的任何一个[向量存储集成](/ how_to / integrations / vector_stores.md)：

from llama_index import GPTVectorStoreIndex, SimpleDirectoryReader
documents = SimpleDirectoryReader('data').load_data()
index = GPTVectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("What did the author do growing up?")
print(response)

教程

[快速入门](/ getting_started / starter_example.md)

指南

示例（笔记本)

摘要

摘要查询需要LLM迭代大多数文档才能综合出答案。例如，摘要查询可以是以下之一：

“这组文本的摘要是什么？”
“给我一个关于X人与公司的经历的摘要。”

一般来说，列表索引适合此用例。列表索引默认会遍历所有数据。

实证上，设置response_mode =“tree_summarize”也会导致更好的摘要结果。

index = GPTListIndex.from_documents(documents)

query_engine = index.as_query_engine(
    response_mode="tree_summarize"
)
response = query_engine.query("<summarization_query>")

对结构化数据的查询

LlamaIndex支持对结构化数据（如Pandas DataFrame或SQL数据库)的查询。

以下是一些相关资源：

教程

[文本到SQL的指南](/ guides / tutorials / sql_guide.md)

指南

SQL指南（核心)（笔记本)
SQL指南（设置上下文)（笔记本)LlamaIndex支持跨异构数据源的路由。可以通过构建现有数据的图来实现。具体来说，可以在子索引上构建列表索引。列表索引本质上会结合每个节点的信息，因此可以跨异构数据源进行综合。

指南

跨异构数据源的路由

LlamaIndex还支持使用“RouterQueryEngine”跨异构数据源进行路由 - 例如，如果您想要将查询“路由”到底层文档或子索引，可以这样做。

首先，在不同的数据源上构建子索引。然后构建相应的查询引擎，并为每个查询引擎提供描述以获得“QueryEngineTool”。除了上面描述的显式合成/路由流程之外，LlamaIndex还可以支持更一般的多文档查询。它可以通过我们的SubQuestionQueryEngine类来实现。给定一个查询，该查询引擎将生成一个“查询计划”，其中包含对子文档的子查询，然后再合成最终答案。

要做到这一点，首先为每个文档/数据源定义一个索引，然后用QueryEngineTool（类似于上面)将其包装起来：

from llama_index.tools import QueryEngineTool, ToolMetadata

query_engine_tools = [
    QueryEngineTool(
        query_engine=sept_engine,
        metadata=ToolMetadata(name='sept_22', description='提供有关Uber季度财务报告的信息')
    ),
    QueryEngineTool(
        query_engine=oct_engine,
        metadata=ToolMetadata(name='oct_22', description='提供有关Uber季度财务报告的信息')
    ),
    QueryEngineTool(
        query_engine=nov_engine,
        metadata=ToolMetadata(name='nov_22', description='提供有关Uber季度财务报告的信息')
    )
]

然后，我们定义一个RouterQueryEngine来管理它们。默认情况下，它使用LLMSingleSelector作为路由器，它使用LLM根据描述选择最佳的子索引来路由查询。

from llama_index.query_engine import RouterQueryEngine

query_engine = RouterQueryEngine.from_defaults(
    query_engine_tools=[tool1, tool2]
)

response = query_engine.query(
    "在Notion中，给我一个产品路线图的概要。"
)

指南

比较/对比查询

您可以在ComposableGraph中显式执行比较/对比查询，使用查询转换模块。

from llama_index.indices.query.query_transform.base import DecomposeQueryTransform
decompose_transform = DecomposeQueryTransform(
    llm_predictor_chatgpt, verbose=True
)

此模块将帮助您将复杂查询分解为现有索引结构的简单查询。

指南

您还可以依靠LLM来推断是否执行比较/对比查询（请参见下面的多文档查询)。

多文档查询

除了上面描述的显式合成/路由流程之外，LlamaIndex还可以支持更一般的多文档查询。它可以通过我们的SubQuestionQueryEngine类来实现。给定一个查询，该查询引擎将生成一个“查询计划”，其中包含对子文档的子查询，然后再合成最终答案。

要做到这一点，首先为每个文档/数据源定义一个索引，然后用QueryEngineTool（类似于上面)将其包装起来：LlamaIndex可以支持需要理解时间的查询。它可以通过两种方式来实现：

决定查询是否需要利用节点之间的时间关系（prev / next关系)来检索额外的上下文以回答问题。
按最新性排序并过滤过时的上下文。RecencyPostprocessorDemo.ipynb（位于es / node_postprocessor文件夹中)