Hiérarchie des index : vectoriel, arborescent, par mots-clés
Comparez VectorStoreIndex (par défaut), TreeIndex (synthèse) et KeywordTableIndex (creux).
Hiérarchie des index : vectoriel, arborescent, par mots-clés est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Les index dans LlamaIndex
LlamaIndex appelle « index » ses structures de données de récupération. Il en existe plusieurs types, chacun adapté à des tâches différentes.
VectorStoreIndex (par défaut)
L’index standard fondé sur les représentations vectorielles — votre outil de tous les jours :
from llama_index.core import VectorStoreIndex
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
print(query_engine.query('What is in the handbook?'))TreeIndex
Construit un arbre hiérarchique de synthèse — utile pour les requêtes de synthèse :
from llama_index.core import TreeIndex
index = TreeIndex.from_documents(documents)
# Internal nodes are summaries of their children.
# Good for 'summarise the whole corpus' tasks.KeywordTableIndex
Fondé sur des mots-clés classiques — utile lorsque les représentations vectorielles échouent avec les termes rares :
from llama_index.core import KeywordTableIndex
index = KeywordTableIndex.from_documents(documents)
# Falls back to exact-match for rare technical terms.SummaryIndex (anciennement ListIndex)
Une liste plate de chaque segment — utile lorsque vous voulez que le LLM voie toutes les données :
from llama_index.core import SummaryIndex
index = SummaryIndex.from_documents(documents)
# Best for short corpora where you can stuff everything into context.KnowledgeGraphIndex
Extrait un graphe de connaissances (entités et relations) des documents :
from llama_index.core import KnowledgeGraphIndex
index = KnowledgeGraphIndex.from_documents(
documents,
max_triplets_per_chunk=10
)Choisir un index
| Tâche | Index |
|---|---|
| Questions-réponses par similarité | VectorStoreIndex |
| Synthétiser tout le corpus | TreeIndex / SummaryIndex |
| Termes exacts rares | KeywordTableIndex |
| Faits relationnels | KnowledgeGraphIndex |
Composer des index
Vous pouvez empiler des index — par exemple, un arbre de synthèse au-dessus d’index vectoriels propres à chaque document :
from llama_index.core import ComposableGraph
graph = ComposableGraph.from_indices(
TreeIndex,
[vector_index_doc_1, vector_index_doc_2, ...],
index_summaries=['Doc 1 summary', 'Doc 2 summary']
)Persisting an Index
index.storage_context.persist(persist_dir='./store')
# Reload later:
from llama_index.core import StorageContext, load_index_from_storage
ctx = StorageContext.from_defaults(persist_dir='./store')
index = load_index_from_storage(ctx)Utiliser des bases vectorielles externes
Associez LlamaIndex à Pinecone, Qdrant, Weaviate, etc. :
from llama_index.vector_stores.pinecone import PineconeVectorStore
from llama_index.core import StorageContext, VectorStoreIndex
vector_store = PineconeVectorStore(pinecone_index=pc_index)
storage = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage)Récupération hybride
Combinez la recherche vectorielle et la recherche par mots-clés au moyen d’index distincts et d’un moteur de requêtes qui fusionne les résultats.
Actualiser un index
Pour mettre à jour des documents, LlamaIndex prend en charge l’actualisation incrémentielle :
index.refresh_ref_docs(updated_documents)Index pour la synthèse
Quel type d’index LlamaIndex convient le mieux pour « synthétiser tout le corpus » ?
Récapitulatif
Choisissez l’index qui correspond à la tâche. Utilisez VectorStoreIndex par défaut, puis TreeIndex, KeywordTableIndex ou KnowledgeGraphIndex pour les besoins spécialisés.
Apprends AI Agents avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 60
- Leçons
- 239
Questions Fréquemment Posées
La leçon « Hiérarchie des index : vectoriel, arborescent, par mots-clés » est-elle gratuite ?
Oui — le texte complet de « Hiérarchie des index : vectoriel, arborescent, par mots-clés » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Hiérarchie des index : vectoriel, arborescent, par mots-clés » ?
Comparez VectorStoreIndex (par défaut), TreeIndex (synthèse) et KeywordTableIndex (creux). Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Hiérarchie des index : vectoriel, arborescent, par mots-clés » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Chargeurs et analyseurs de documents
- Hiérarchie des index : vectoriel, arborescent, par mots-clés
- Moteurs de requêtes et synthèse des réponses
- Stratégie de décomposition en sous-questions