主题
欢迎来到「理解 LlamaIndex」系列。这是一组短小的教程，覆盖构建智能体式 LLM 应用的每一个阶段，让你在深入更高级、更微妙的策略之前，先熟悉 LlamaIndex 的用法。如果你是编程经验丰富但刚接触 LlamaIndex，这里就是起点。
构建智能体式 LLM 应用的关键步骤
提示
如果这些名词对你还很陌生，建议先读一读我们的高层概念。
本教程分为三大部分：构建 RAG 流水线、构建 Agent、构建 Workflows，前后还有一些更小的章节。你将看到这些内容：
使用 LLM：直接上手开始与 LLM 打交道。我们会演示如何使用我们支持的数十种 LLM，无论是走远程 API 还是在你自己的机器上本地运行。
构建 Agent：Agent 是由 LLM 驱动的知识工作者，能通过一组工具与世界交互。这些工具可以用来检索信息（比如下文中的 RAG），也可以执行动作。本部分包括：
构建单个 Agent：演示如何构建一个能通过一组工具与世界交互的简单 agent。
使用现成工具：LlamaIndex 提供了数十个预置的智能体工具，可以直接接进你的 agent。
维护状态：Agent 可以维护状态，这对构建更复杂的应用很重要。
流式输出与事件：向用户提供可见性和反馈很重要，流式输出正是做到这一点的方式。
人在回路：让 agent 获得人的反馈往往至关重要。
用 AgentWorkflow 构建多智能体系统：把多个 agent 协作起来，是构建更复杂系统的强有力手段，这一节演示怎么做。
Workflows：Workflows 是更底层、事件驱动的智能体应用抽象，也是你构建任何高级智能体应用应该使用的基础层。你可以复用上面学到的预置抽象，也可以完全从零构建 agent。本部分涵盖：
为 Agent 加上 RAG：检索增强生成（RAG）是把你的数据送进 LLM 的关键技术，也是更精密智能体系统的一个组成部分。我们会演示如何给 agent 加上一条功能完整的 RAG 流水线，让它能回答关于你数据的问题。包括：
加载与摄取：把数据从它所在的地方取出来，无论是非结构化文本、PDF、数据库还是其他应用的 API。LlamaIndex 拥有数百个连接器，可对接任何数据源。
索引与嵌入：数据到手之后，如何组织对这些数据的访问方式是无穷无尽的，目标是让你的应用总能拿到最相关的内容。LlamaIndex 内置了大量这类策略，也能帮你挑出最合适的。
存储：以索引形式、或用 LLM 预处理出的摘要来存放数据通常更高效，这类专用数据库通常称为
Vector Store（见下文）。你同样可以保存索引、元数据等等。查询：每种索引策略都有对应的查询策略，而在检索出的内容交给 LLM 处理、直至返回给你之前，有很多手段可以提升相关性、速度与准确度，包括把它转成结构化响应（比如一个 API）。
把所有部分拼起来：不论你在构建问答、聊天机器人、API 还是自主 agent，我们都会演示如何把应用送进生产环境。
追踪与调试：也叫可观测性。对 LLM 应用而言，能窥见内部发生了什么尤为重要，它帮你排查问题并发现可改进之处。
评估：每种策略都有优劣，而构建、上线和演进应用的关键一环，就是评估你的改动是否真的让应用变好了——准确度、性能、清晰度、成本等等。可靠地评估改动，是 LLM 应用开发中至关重要的一步。
开始吧！
准备好了吗？前往使用 LLM。