La gerarchia degli indici: vettoriale, ad albero, per parole chiave
Confronti VectorStoreIndex (predefinito), TreeIndex (summarization) e KeywordTableIndex (sparso).
La gerarchia degli indici: vettoriale, ad albero, per parole chiave è una lezione AI Agents gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento AI Agents, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso AI Agents include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Indici in LlamaIndex
LlamaIndex chiama "Indexes" le proprie strutture dati per il recupero. Ne esistono diversi tipi, ciascuno adatto a compiti differenti.
VectorStoreIndex (predefinito)
L'indice standard basato sugli embedding, il vostro strumento di uso quotidiano:
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
Costruisce un albero gerarchico di riepiloghi, utile per le query di sintesi:
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
Basato sui metodi classici per parole chiave, utile quando l'approccio basato sugli embedding non funziona con termini rari:
from llama_index.core import KeywordTableIndex
index = KeywordTableIndex.from_documents(documents)
# Falls back to exact-match for rare technical terms.SummaryIndex (in precedenza ListIndex)
Un elenco semplice di ogni blocco, utile quando volete che l'LLM veda TUTTI i dati:
from llama_index.core import SummaryIndex
index = SummaryIndex.from_documents(documents)
# Best for short corpora where you can stuff everything into context.KnowledgeGraphIndex
Estrae dai documenti un grafo della conoscenza (entità e relazioni):
from llama_index.core import KnowledgeGraphIndex
index = KnowledgeGraphIndex.from_documents(
documents,
max_triplets_per_chunk=10
)Scegliere un indice
| Attività | Indice |
|---|---|
| Domande e risposte per similarità | VectorStoreIndex |
| Riassumere l'intero corpus | TreeIndex / SummaryIndex |
| Termini esatti e rari | KeywordTableIndex |
| Informazioni relazionali | KnowledgeGraphIndex |
Comporre gli indici
Potete combinare più indici, ad esempio un albero di riepiloghi sopra indici vettoriali distinti per documento:
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)Usare vector store esterni
Potete combinare LlamaIndex con Pinecone, Qdrant, Weaviate e altri strumenti:
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)Recupero ibrido
Combinate vettori e parole chiave tramite indici separati e un motore di query che fonde i risultati.
Aggiornamento dell'indice
Per aggiornare i documenti, LlamaIndex supporta l'aggiornamento incrementale:
index.refresh_ref_docs(updated_documents)Indice per la sintesi
Quale tipo di LlamaIndex è più adatto per "riassumere l'intero corpus"?
Riepilogo
Scegliete l'indice in base all'attività. Usate VectorStoreIndex come impostazione predefinita; scegliete TreeIndex, KeywordTableIndex o KnowledgeGraphIndex per esigenze specifiche.
Domande Frequenti
La lezione «La gerarchia degli indici: vettoriale, ad albero, per parole chiave» è gratuita?
Sì — il testo completo di «La gerarchia degli indici: vettoriale, ad albero, per parole chiave» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso AI Agents, passa a CoddyKit PRO. Il corso AI Agents include 4 lezioni in totale.
Cosa imparerò in «La gerarchia degli indici: vettoriale, ad albero, per parole chiave»?
Confronti VectorStoreIndex (predefinito), TreeIndex (summarization) e KeywordTableIndex (sparso). Eserciti AI Agents con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare AI Agents?
Non è richiesta alcuna esperienza precedente. AI Agents su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «La gerarchia degli indici: vettoriale, ad albero, per parole chiave»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione AI Agents?
Sì. Ogni lezione AI Agents include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Loader e parser di documenti
- La gerarchia degli indici: vettoriale, ad albero, per parole chiave
- Motori di query e sintesi delle risposte
- Strategia di scomposizione in sotto-domande