概念

LlamaIndex 为「摄取、索引、查询外部数据」提供了一套高层接口。

在底层，LlamaIndex 还支持可替换的存储组件，让你自定义：

• 文档存储（Document stores）：存放摄取后的文档（即 Node 对象），
• 索引存储（Index stores）：存放索引元数据，
• 向量库（Vector stores）：存放嵌入向量。
• 属性图存储（Property Graph stores）：存放知识图谱（供 PropertyGraphIndex 使用）。
• 聊天存储（Chat Stores）：存放并组织聊天消息。

文档存储与索引存储都建立在同一套键值存储抽象之上，该抽象同样在下文详述。

凡是 fsspec 支持的存储后端，LlamaIndex 都能把数据持久化过去。我们已验证支持的后端有：

• 本地文件系统
• AWS S3
• Cloudflare R2

使用方式

许多向量库（FAISS 除外）会同时存放数据与索引（嵌入）。这意味着你不再需要单独的文档存储或索引存储；这也意味着你不必显式持久化这些数据——它会自动完成。用起来大致就像下面这样：新建一个索引，或重新加载一个已有索引。

## build a new index
from llama_index.core import VectorStoreIndex, StorageContext
from llama_index.vector_stores.deeplake import DeepLakeVectorStore

# construct vector store and customize storage context
vector_store = DeepLakeVectorStore(dataset_path="<dataset_path>")
storage_context = StorageContext.from_defaults(vector_store=vector_store)
# Load documents and build index
index = VectorStoreIndex.from_documents(
    documents, storage_context=storage_context
)

## reload an existing one
index = VectorStoreIndex.from_vector_store(vector_store=vector_store)

更多细节见我们的向量库模块指南。

请注意，一般要使用这些存储抽象，你需要先定义一个 StorageContext 对象：

from llama_index.core.storage.docstore import SimpleDocumentStore
from llama_index.core.storage.index_store import SimpleIndexStore
from llama_index.core.vector_stores import SimpleVectorStore
from llama_index.core import StorageContext

# create storage context using default stores
storage_context = StorageContext.from_defaults(
    docstore=SimpleDocumentStore(),
    vector_store=SimpleVectorStore(),
    index_store=SimpleIndexStore(),
)

关于定制与持久化的更多细节见下面的指南。

• 定制
• 保存/加载

模块

各类存储组件都有深入指南。

• 向量库
• 文档存储
• 索引存储
• 键值存储
• 属性图存储
• 聊天存储