Capítulo 2: Framework LlamaIndex

Descripción general de LlamaIndex

LlamaIndex (anteriormente GPT Index) se centra en la indexación y consulta de datos:

• Múltiples tipos de índices
• Motores de consulta
• Síntesis de respuestas
• Herramientas de evaluación

RAG básico con LlamaIndex

from llama_index import VectorStoreIndex, SimpleDirectoryReader
from llama_index.llms import OpenAI

# Load documents
documents = SimpleDirectoryReader("./data").load_data()

# Create index
index = VectorStoreIndex.from_documents(documents)

# Query
query_engine = index.as_query_engine()
response = query_engine.query("What is RAG?")
print(response)

Tipos de índices

from llama_index import (
    VectorStoreIndex,
    SummaryIndex,
    TreeIndex,
    KeywordTableIndex
)

# Vector Index - similarity search
vector_index = VectorStoreIndex.from_documents(docs)

# Summary Index - summarization
summary_index = SummaryIndex.from_documents(docs)

# Tree Index - hierarchical
tree_index = TreeIndex.from_documents(docs)

# Keyword Index - keyword extraction
keyword_index = KeywordTableIndex.from_documents(docs)

Motores de consulta

# Basic query engine
query_engine = index.as_query_engine(
    similarity_top_k=5,
    response_mode="compact"  # or "tree_summarize", "refine"
)

# Chat engine with memory
chat_engine = index.as_chat_engine(
    chat_mode="condense_question",
    verbose=True
)

# Use chat engine
response = chat_engine.chat("What is RAG?")
response = chat_engine.chat("Tell me more")  # Remembers context

Modos de respuesta

Modo	Descripción	Mejor para
compact	Se ajusta en un solo prompt	Predeterminado
refine	Refinamiento iterativo	Contextos largos
tree_summarize	Resumen jerárquico	Muchos documentos
simple_summarize	Resumen básico	Visión general rápida

LangChain vs LlamaIndex

Característica	LangChain	LlamaIndex
Enfoque	Cadenas generales	Indexación de datos
Flexibilidad	Mayor	Media
Curva de aprendizaje	Más pronunciada	Más suave
Mejor para	Pipelines complejos	Preguntas y respuestas sobre documentos

---

Próximos pasos

Continúe con Capítulo 3: RAG personalizado.