主题
本文是一个枢纽页，展示如何只用低层抽象（例如 LLM、提示词、嵌入模型）来构建 RAG 与智能体应用，而不使用那些更“开箱即用”的封装抽象。
开箱即用的抽象包括：
- 高层摄取代码，例如
VectorStoreIndex.from_documents - 高层查询与检索器代码，例如
VectorStoreIndex.as_retriever()与VectorStoreIndex.as_query_engine() - 高层智能体抽象，例如
FunctionAgent、ReActAgent、CodeActAgent
与其使用这些，本文的目标是让你了解底层到底发生了什么。把构建 RAG 与智能体工作流的底层算法展示给你看之后，你就能自主创建自定义的 LLM 工作流（同时仍可在任何合适的粒度上使用 LlamaIndex 的抽象）。
我们逐个组件地演示如何从零搭建一个应用。为了聚焦，每篇教程只演示如何从零构建某一位组件，其余组件则使用开箱即用的抽象。注意：本文仍在编写中，我们正在把它补充完整！
从零构建摄取
本教程演示如何定义一条把数据写入向量库的摄取流水线。
从零构建向量检索
本教程演示如何构建一个查询向量库的检索器。
从零构建摄取/检索（开源/本地组件）
本教程演示如何只用开源组件来搭建一条摄取/检索流水线。
从零构建一个（非常简单的）向量库
想更了解向量库如何工作，可以看这篇教程：从零构建一个支持稠密检索 + 元数据过滤的极简向量库。
它显然不能替代生产级数据库。
从零构建响应合成
本教程演示如何在给定一组检索到的上下文时，用 LLM 合成结果。其中会处理上下文溢出、异步调用与来源引用！
从零构建评估
学习如何用 LLM 与提示词模块构建常见的基于 LLM 的评估模块（正确性、忠实度）；这会帮助你定义自己的自定义评估！
从零构建进阶 RAG
这些教程演示如何构建超出基础 RAG 工作流的进阶功能。对有自定义工作流/生产需求的进阶用户尤其有帮助。
从零构建混合检索
混合检索是许多向量库都支持的一项进阶检索能力。它允许你把稠密检索与依靠关键词匹配的稀疏检索结合起来。
从零构建路由
在标准 RAG 工作流之外，这一步带你向 LLM 的自动决策更进一步：从零构建一个路由模块。
从零构建 RAG Fusion 检索器
这里演示如何构建一个具备查询改写、集成（ensembling）与动态检索能力的进阶检索器。
从零构建结构化数据问答
作为框架，RAG 主要面向非结构化数据。而 LlamaIndex 对结构化数据与半结构化数据同样提供开箱即用的支持。
看看下面的指南，了解如何从零构建 text-to-SQL（使用我们的 Workflows 库）。