Capítulo 2: Framework LlamaIndex

Visão Geral do LlamaIndex

O LlamaIndex (anteriormente GPT Index) foca em indexação e consulta de dados:

• Múltiplos tipos de índice
• Motores de consulta
• Síntese de respostas
• Ferramentas de avaliação

RAG Básico com 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 Índice

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 Resposta

Modo	Descrição	Melhor Uso
compact	Ajusta em um único prompt	Padrão
refine	Refinamento iterativo	Contextos longos
tree_summarize	Resumo hierárquico	Muitos documentos
simple_summarize	Resumo básico	Visão rápida

LangChain vs LlamaIndex

Recurso	LangChain	LlamaIndex
Foco	Cadeias gerais	Indexação de dados
Flexibilidade	Maior	Média
Curva de Aprendizado	Mais íngreme	Mais suave
Melhor Para	Pipelines complexos	Perguntas e respostas sobre documentos

---

Próximos Passos

Continue para Capítulo 3: RAG Personalizado.