LLM-gestützte Anwendungen mit LlamaIndex erstellen

Auf dieser Seite werden einige Anwendungsfälle für die Entwicklung von LLM-basierten Anwendungen mit LlamaIndex in Verbindung mit Cloud SQL for PostgreSQL beschrieben. Links zu Notebooks auf GitHub helfen Ihnen, Ansätze zu untersuchen oder Ihre Anwendung zu entwickeln.

LlamaIndex ist ein Orchestrierungs-Framework für generative KI, mit dem Sie Datenquellen mit Large Language Models (LLMs) verbinden und integrieren können. Mit LlamaIndex können Sie Anwendungen erstellen, die mit Abfragen in natürlicher Sprache auf Informationen aus privaten oder domänenspezifischen Daten zugreifen und diese abfragen.

LlamaIndex fungiert als Brücke zwischen benutzerdefinierten Daten und LLMs und erleichtert die Entwicklung von Wissensassistenten-Anwendungen mit RAG-Funktionen (Retrieval-Augmented Generation).

LlamaIndex eignet sich gut für dokumentzentrierte Anwendungen, da der Schwerpunkt auf der strukturierten Dokumentverwaltung liegt, was die Indexierung und den Abruf vereinfacht. Dieses Framework bietet optimierte Abfragemethoden, die die Geschwindigkeit und Relevanz des Informationszugriffs verbessern, sowie eine robuste Metadatenverarbeitung für differenzierte Filterung.

Weitere Informationen zum LlamaIndex-Framework finden Sie in der LlamaIndex-Produktdokumentation.

LlamaIndex-Komponenten

Cloud SQL for PostgreSQL bietet die folgenden LlamaIndex-Schnittstellen:

  • Vektorspeicher
  • Dokumentenspeicher
  • Index Stores
  • Chat-Stores
  • Document Reader

Informationen zur Verwendung von LlamaIndex mit der Kurzanleitung für Cloud SQL for PostgreSQL

Vektorspeicher

Mit dieser LlamaIndex-Integration können Sie die robuste und skalierbare Natur von Cloud SQL for PostgreSQL nutzen, um Ihre LlamaIndex-Daten zu speichern und zu verwalten. Durch die Kombination der Indexierungs- und Abfragefunktionen von LlamaIndex mit der hohen Leistung und Zuverlässigkeit von Cloud SQL for PostgreSQL können Sie effizientere und skalierbarere LLM-basierte Anwendungen entwickeln.

LlamaIndex zerlegt ein Dokument – DOC, Text und PDFs – in Dokumentkomponenten, die als Knoten bezeichnet werden. Der VectorStore kann nur die Einbettungsvektoren der aufgenommenen Knoteninhalte und den Text der Knoten enthalten. Ein Knoten ist ein erstklassiges Konzept, das Textinhalte, Vektoreinbettungen und Metadaten enthält. Sie können Filter auf diese Metadatenfelder anwenden, um den Knotenabruf auf Knoten zu beschränken, die den angegebenen Metadatenkriterien entsprechen.

Verwenden Sie die Klasse PostgresVectorStore, um mit Vektorspeichern in Cloud SQL for PostgreSQL zu arbeiten. Weitere Informationen finden Sie unter LlamaIndex Vector Stores.

Vektoreinbettungen mit der Klasse „PostgresVectorStore“ speichern

In der Cloud SQL for PostgreSQL-Anleitung für Vektorspeicher erfahren Sie, wie Sie Folgendes tun:

  • Tabelle zum Speichern von Vektoreinbettungen initialisieren
  • Erstellen Sie eine Instanz der Einbettungsklasse mit einem beliebigen Llama-Index-Einbettungsmodell.
  • Standard-PostgresVectorStore-Vektorspeicher initialisieren
  • Erstellen Sie einen Index aus dem Vektorspeicher und fragen Sie ihn mit VectorStoreIndex ab.
  • Erstellen Sie einen benutzerdefinierten Vektorspeicher, um Metadaten effektiv zu speichern und zu filtern.
  • Fügen Sie einen ANN-Index hinzu, um die Suchlatenz zu verbessern.

Dokument- und Indexspeicher

Die LlamaIndex Document Stores-Integration verwaltet die strukturierte Speicherung und den Abruf von Dokumenten und optimiert die dokumentzentrierten Funktionen von LlamaIndex. Dokument Store speichert die Inhalte, die sich auf die Vektoren im Vektorspeicher beziehen.

Weitere Informationen finden Sie in der Produktdokumentation zu LlamaIndex Document Stores.

Index Stores erleichtern die Verwaltung von Indexen, um schnelle Abfragen und den Datenabruf zu ermöglichen, z. B. für Zusammenfassungs-, Keyword- und Baumindexe. Index in LlamaIndex ist ein einfacher Speicher nur für die Knotenmetadaten. Für Aktualisierungen der Knotenmetadaten ist keine Neuindexierung (Einbettungsgenerierung) des gesamten Knotens oder aller Knoten in einem Dokument erforderlich.

Weitere Informationen finden Sie unter LlamaIndex Index Stores.

Dokumente und Indexe speichern

Im Cloud SQL for PostgreSQL-Notebook für Dokumentenspeicher wird gezeigt, wie Sie Cloud SQL for PostgreSQL verwenden, um Dokumente und Indexe mit den Klassen PostgresDocumentStore und PostgresIndexStore zu speichern. Sie lernen, wie Sie Folgendes tun:

  • Erstellen Sie mit PostgresEngine.from_instance() eine PostgresEngine.
  • Erstellen Sie Tabellen für DocumentStore und IndexStore.
  • Standard-PostgresDocumentStore initialisieren
  • Richten Sie eine Postgres-InstanzIndexStore ein.
  • Fügen Sie der Docstore Dokumente hinzu.
  • Verwenden Sie Dokumentenspeicher mit mehreren Indexen.
  • Vorhandene Indexe laden

Chat-Stores

In Chat Stores werden der Unterhaltungsverlauf und der Kontext für chatbasierte Anwendungen gespeichert, um personalisierte Interaktionen zu ermöglichen. Chat Stores bieten ein zentrales Repository, in dem Chatnachrichten in einer Unterhaltung gespeichert und abgerufen werden. So kann das LLM den Kontext beibehalten und auf Grundlage des laufenden Dialogs relevantere Antworten geben.

Large Language Models sind standardmäßig zustandslos. Das bedeutet, dass sie vorherige Eingaben nicht beibehalten, sofern diese nicht jedes Mal explizit angegeben werden. Wenn Sie einen Chat-Speicher verwenden, können Sie den Kontext der Unterhaltung beibehalten. So kann das Modell im Laufe der Zeit relevantere und kohärentere Antworten generieren.

Das Speichermodul in LlamaIndex ermöglicht das effiziente Speichern und Abrufen von Unterhaltungskontext, was personalisiertere und kontextbezogenere Interaktionen in Chatanwendungen ermöglicht. Sie können das Speichermodul in LlamaIndex mit einem ChatStore und einem ChatMemoryBuffer integrieren.
Weitere Informationen finden Sie unter LlamaIndex Chat Stores.

Chatprotokoll speichern

Im Cloud SQL for PostgreSQL-Notebook für Chat Stores wird gezeigt, wie Sie Cloud SQL for PostgreSQL verwenden, um den Chatverlauf mit der Klasse PostgresChatStore zu speichern. Sie lernen, wie Sie Folgendes tun:

  • Erstellen Sie mit PostgresEngine.from_instance() eine PostgresEngine.
  • Standard-PostgresChatStore. initialisieren
  • Erstellen Sie einen ChatMemoryBuffer.
  • Erstellen Sie eine LLM-Klasseninstanz.
  • Verwenden Sie PostgresChatStore ohne Speicherkontext.
  • Verwenden Sie PostgresChatStore mit einem Speicherkontext.
  • Chat Engine erstellen und verwenden

Document Reader

Mit Document Reader werden Daten aus Cloud SQL for PostgreSQL effizient abgerufen und in LlamaIndex-kompatible Formate für die Indexierung umgewandelt. Die Document Reader-Schnittstelle bietet Methoden zum Laden von Daten aus einer Quelle als Documents. Document ist eine Klasse, in der ein Textabschnitt und die zugehörigen Metadaten gespeichert werden. Mit Document Readers können Sie Dokumente laden, die Sie in Document Stores speichern oder zum Erstellen von Indexen verwenden möchten.

Weitere Informationen finden Sie unter LlamaIndex Document Reader.

Daten als Dokumente abrufen

Im Cloud SQL for PostgreSQL-Notebook für Document Reader wird gezeigt, wie Sie mit Cloud SQL for PostgreSQL Daten als Dokumente mit der Klasse PostgresReader abrufen. Sie lernen, wie Sie Folgendes tun:

  • Erstellen Sie mit PostgresEngine.from_instance() eine PostgresEngine.
  • Erstellen Sie PostgresReader.
  • Laden Sie Dokumente mit dem Argument table_name.
  • Dokumente mit einer SQL-Abfrage laden.
  • Seiteninhaltsformat festlegen
  • Laden Sie die Dokumente.

Nächste Schritte