llama-index 向量

### 使用 Llama-Index 创建和操作向量索引

创建和管理向量索引是利用 `Llama-Index` 库处理复杂数据集的关键功能之一。下面展示了如何使用 Python 和 `Llama-Index` 来初始化节点并建立向量存储索引。

#### 初始化节点与构建向量索引

为了开始工作，首先需要导入必要的模块：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

接着定义用于表示文档片段的数据结构——节点，并通过指定路径加载本地文件作为源材料：

documents = SimpleDirectoryReader(input_dir='./data').load_data()
nodes = documents.get_nodes_from_documents()  # 假设有一个方法可以从文档获取节点
vector_store_index = VectorStoreIndex(nodes)

上述代码段说明了怎样从目录读取文件并将其分割成适合进一步分析的小单元即节点[^2]。之后，这些节点被传递给 `VectorStoreIndex` 类实例化对象以创建一个新的向量索引。

#### 转换为查询引擎

一旦建立了向量索引，则可以通过简单的调用来设置一个强大的查询引擎，从而允许执行复杂的搜索任务：

query_engine = vector_store_index.as_query_engine()
response = query_engine.query("你的问题是什么？")
print(response)

这段脚本演示了将先前创建的向量索引转变为能够响应自然语言询问的强大工具的过程[^1]。这使得应用程序不仅限于精确匹配查找，而是支持更灵活的信息检索方式。