Indekshierarkiet: vektor, tre, nøkkelord
Sammenlign VectorStoreIndex (standard), TreeIndex (sammendrag) og KeywordTableIndex (glespen).
Indekshierarkiet: vektor, tre, nøkkelord er en gratis leksjon i AI-agenter på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-agenter, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-agenter inneholder totalt 4 leksjoner.
Deler av denne leksjonen er ennå ikke oversatt og vises på engelsk.
Indekser i LlamaIndex
LlamaIndex kaller datastrukturene sine for gjenfinning «indekser». Det finnes flere typer, og hver av dem passer til ulike oppgaver.
VectorStoreIndex (standard)
Standardindeksen basert på embedding – den som brukes til daglig:
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
Bygger et hierarkisk oppsummeringstre – nyttig for spørringer som skal oppsummere:
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
Klassisk, nøkkelordbasert søk – nyttig når embedding-basert søk ikke finner sjeldne termer:
from llama_index.core import KeywordTableIndex
index = KeywordTableIndex.from_documents(documents)
# Falls back to exact-match for rare technical terms.SummaryIndex (tidligere ListIndex)
En flat liste over alle tekstbiter – nyttig når LLM-en skal se ALL data:
from llama_index.core import SummaryIndex
index = SummaryIndex.from_documents(documents)
# Best for short corpora where you can stuff everything into context.KnowledgeGraphIndex
Henter ut en kunnskapsgraf (entiteter + relasjoner) fra dokumenter:
from llama_index.core import KnowledgeGraphIndex
index = KnowledgeGraphIndex.from_documents(
documents,
max_triplets_per_chunk=10
)Velge indeks
| Oppgave | Indeks |
|---|---|
| Spørsmål og svar basert på likhet | VectorStoreIndex |
| Oppsummere hele korpuset | TreeIndex / SummaryIndex |
| Sjeldne, eksakte termer | KeywordTableIndex |
| Relasjonelle fakta | KnowledgeGraphIndex |
Kombinere indekser
Indekser kan settes oppå hverandre – for eksempel et oppsummeringstre over vektorindekser for hvert dokument:
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)Bruke eksterne vektorlagre
Kombiner LlamaIndex med Pinecone, Qdrant, Weaviate og lignende:
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)Hybrid gjenfinning
Kombiner vektor- og nøkkelordsøk ved hjelp av separate indekser og en spørringsmotor som slår sammen resultatene.
Oppdatere indeksen
Ved oppdateringer av dokumenter støtter LlamaIndex trinnvis oppdatering:
index.refresh_ref_docs(updated_documents)Indeks for oppsummering
Hvilken LlamaIndex-type er best for «oppsummer hele korpuset»?
Oppsummering
Velg indeksen som passer til oppgaven. Bruk VectorStoreIndex som standard, og velg TreeIndex, KeywordTableIndex eller KnowledgeGraphIndex ved spesialiserte behov.
Lær deg AI-agenter med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 60
- Leksjoner
- 239
Ofte stilte spørsmål
Er leksjonen «Indekshierarkiet: vektor, tre, nøkkelord» gratis?
Ja – hele teksten i «Indekshierarkiet: vektor, tre, nøkkelord» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av AI-agenter-kurset, kan du oppgradere til CoddyKit PRO. Kurset i AI-agenter inneholder totalt 4 leksjoner.
Hva lærer jeg i «Indekshierarkiet: vektor, tre, nøkkelord»?
Sammenlign VectorStoreIndex (standard), TreeIndex (sammendrag) og KeywordTableIndex (glespen). Du øver på AI-agenter med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med AI-agenter?
Ingen tidligere erfaring er nødvendig. AI-agenter på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «Indekshierarkiet: vektor, tre, nøkkelord»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne AI-agenter-leksjonen?
Ja. Alle AI-agenter-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Dokumentinnlesere og parsere
- Indekshierarkiet: vektor, tre, nøkkelord
- Spørringsmotorer og syntese av svar
- Strategi for dekomponering i delspørsmål