Hierarki Indeks: Vektor, Pohon, Kata Kunci
Bandingkan VectorStoreIndex (bawaan), TreeIndex (perangkuman), dan KeywordTableIndex (jarang).
Hierarki Indeks: Vektor, Pohon, Kata Kunci adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Indeks di LlamaIndex
LlamaIndex menyebut struktur data pengambilannya sebagai "Indeks". Ada beberapa jenis, dan masing-masing sesuai untuk tugas yang berbeda.
VectorStoreIndex (Bawaan)
Indeks standar berbasis embedding — andalan Anda sehari-hari:
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
Membangun pohon ringkasan hierarkis — berguna untuk kueri peringkasan:
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
Berbasis kata kunci klasik — cocok digunakan ketika pendekatan berbasis embedding gagal pada istilah yang jarang:
from llama_index.core import KeywordTableIndex
index = KeywordTableIndex.from_documents(documents)
# Falls back to exact-match for rare technical terms.SummaryIndex (sebelumnya ListIndex)
Daftar datar yang berisi setiap potongan — berguna ketika Anda ingin LLM melihat SEMUA data:
from llama_index.core import SummaryIndex
index = SummaryIndex.from_documents(documents)
# Best for short corpora where you can stuff everything into context.KnowledgeGraphIndex
Mengekstrak graf pengetahuan (entitas + relasi) dari dokumen:
from llama_index.core import KnowledgeGraphIndex
index = KnowledgeGraphIndex.from_documents(
documents,
max_triplets_per_chunk=10
)Memilih Indeks
| Tugas | Indeks |
|---|---|
| Tanya jawab berdasarkan kemiripan | VectorStoreIndex |
| Merangkum seluruh korpus | TreeIndex / SummaryIndex |
| Istilah langka yang persis | KeywordTableIndex |
| Fakta relasional | KnowledgeGraphIndex |
Menggabungkan Indeks
Anda dapat menumpuk indeks — misalnya, pohon ringkasan di atas indeks vektor untuk setiap dokumen:
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)Menggunakan Penyimpanan Vektor Eksternal
Padukan LlamaIndex dengan Pinecone, Qdrant, Weaviate, dan lainnya:
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)Pengambilan Hibrida
Gabungkan vektor + kata kunci melalui indeks terpisah dan mesin kueri yang memadukan hasilnya.
Penyegaran Indeks
Untuk pembaruan dokumen, LlamaIndex mendukung penyegaran inkremental:
index.refresh_ref_docs(updated_documents)Indeks untuk Peringkasan
Jenis LlamaIndex mana yang paling baik untuk "merangkum seluruh korpus"?
Ringkasan
Pilih indeks yang sesuai dengan tugasnya. Gunakan VectorStoreIndex sebagai pilihan bawaan; gunakan TreeIndex, KeywordTableIndex, atau KnowledgeGraphIndex untuk kebutuhan khusus.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Hierarki Indeks: Vektor, Pohon, Kata Kunci” gratis?
Ya — teks lengkap “Hierarki Indeks: Vektor, Pohon, Kata Kunci” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Hierarki Indeks: Vektor, Pohon, Kata Kunci”?
Bandingkan VectorStoreIndex (bawaan), TreeIndex (perangkuman), dan KeywordTableIndex (jarang). Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents?
Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Hierarki Indeks: Vektor, Pohon, Kata Kunci” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?
Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pemuat dan Pengurai Dokumen
- Hierarki Indeks: Vektor, Pohon, Kata Kunci
- Mesin Kueri dan Sintesis Respons
- Strategi Penguraian Subpertanyaan