Chapitre 2 : Cadre LlamaIndex

Aperçu de LlamaIndex

LlamaIndex (anciennement GPT Index) se concentre sur l'indexation et l'interrogation des données :

• Plusieurs types d'index
• Moteurs de requête
• Synthèse de réponses
• Outils d'évaluation

RAG de base avec 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)

Types d'index

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)

Moteurs de requête

# 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

Modes de réponse

Mode	Description	Idéal pour
compact	S'intègre dans une seule invite	Par défaut
refine	Raffinement itératif	Contextes longs
tree_summarize	Résumé hiérarchique	Plusieurs documents
simple_summarize	Résumé de base	Aperçu rapide

LangChain vs LlamaIndex

Fonctionnalité	LangChain	LlamaIndex
Focus	Chaînes générales	Indexation des données
Flexibilité	Plus élevée	Moyenne
Courbe d'apprentissage	Plus abrupte	Plus douce
Idéal pour	Pipelines complexes	Q&R sur documents

---

Prochaines étapes

Continuez vers Chapitre 3 : RAG personnalisé.