LLM 最常见的用例之一，就是针对一组数据回答问题。这些数据通常是非结构化文档（例如 PDF、HTML），但也可以是半结构化或结构化的。

让 LLM 具备问答能力的主流框架是检索增强生成（RAG）。LlamaIndex 提供了从简单到进阶的 RAG 技术，用于在不同规模、不同类型的数据上回答从简单到复杂的问题。你可以选择使用我们预置的 RAG 抽象（例如查询引擎），或者构建自定义的 RAG 工作流（示例指南）。

非结构化文档上的 RAG

LlamaIndex 可以拉取非结构化文本、PDF、Notion 与 Slack 文档等更多内容，并对其中数据建立索引。

最简单的查询往往是语义检索或摘要。

• 语义检索：针对文档中与查询词和/或语义意图相符的具体信息提问，通常用简单的向量检索（top-k）实现。语义检索示例
• 摘要：把大量数据压缩成一段与当前问题相关的简短摘要。摘要示例

结构化数据上的问答

如果你的数据已存在于 SQL 数据库、CSV 文件或其他结构化格式中，LlamaIndex 可以直接查询这些来源，包括 text-to-SQL（自然语言转 SQL 操作）与 text-to-Pandas（自然语言转 Pandas 操作）。

• Text-to-SQL 指南
• Text-to-Pandas 指南

进阶问答主题

当你需要处理更复杂的问题、更多的数据时，LlamaIndex 有很多技术能帮你改善查询理解、检索与数据源整合。

• 查询复杂文档：文档的表示形式往往很复杂——一份 PDF 可能含文本、表格、图表、图像、页眉页脚等等。LlamaIndex 提供进阶的索引/检索能力，并与我们的专有文档解析器 LlamaParse 集成。完整 cookbook 见这里。

• 组合多个来源：你的数据一部分在 Slack、一部分在 PDF、一部分是非结构化文本？LlamaIndex 可以跨任意数量的来源联合查询并把结果整合。

  • 组合多个来源的示例

• 在多个来源之间路由：面对多个数据源，应用可以先挑出最合适的来源，再把问题“路由”给它。

  • 在多来源之间路由的示例

• 多文档查询：有些问题的答案分散在多个数据源中，需要先分别提问，再加以合并

  • 多文档查询示例
  • 基于 LlamaIndex 文档构建多文档 agent - Text to SQL

资源

LlamaIndex 在问答/RAG 上有大量资源。这里列出一些值得参考的核心指南。

我是 RAG 新手，想学基础：请看我们的“Learn”系列指南。

我想在不把数据发给托管 API 的情况下运行：见隐私指南与本地起始教程。两者都走的是用 Hugging Face 嵌入、重排器以及 Ollama 这类本地 LLM 运行时的开源技术栈。

我已经搭好 RAG，现在想优化它：请看我们的“进阶主题”指南。

我水平更进阶，想构建自定义 RAG 工作流：用 LlamaIndex 工作流来编排进阶的、智能体式的 RAG 流水线，比如这个纠正式 RAG（Corrective RAG）工作流。

我想深入掌握某个特定模块：以下是构建从简单到进阶问答/RAG 系统的核心模块指南：

• 查询引擎
• 对话引擎
• 智能体

更多示例

想看更多问答用例，请参考 Putting it All Together 中的问答章节。