主题课:AI开发之LLamaIndex快速上手入门

如果你已经能调用大模型接口，却总在「把私有文档喂给模型」这一步卡住，这门课就是补这个缺口的。LLamaIndex 不是另一个聊天壳子，它解决的是更底层的问题：怎么把散落在 PDF、数据库、接口里的内容，变成模型能检索、能引用、能追问的数据结构。

先确认你缺的是不是这一块

几种典型情况，对上了再往下看：

• 用过 LangChain，但被它偏底层的抽象绕晕，想找一个更聚焦「数据接入 + 检索」的框架。
• 写过简单的 RAG 脚本，向量库、切分、召回各写一遍，换一份文档就要重写一次。
• 知道 embedding、向量相似度这些词，但没亲手把一条 query 走到「命中原文片段并拼进 prompt」的完整链路。
• 想给自己或团队做一个能问答内部资料的 demo，不想从零搭检索层。

如果你的问题是「模型怎么调」「prompt 怎么写」，这不是本课重点；如果问题是「文档怎么进去、答案怎么带出处回来」，方向就对。

这门课围绕 LLamaIndex 的哪几件事

课程从框架的基本组成切入，主线是数据的加载、切分、索引和检索这条链。你会接触到 LLamaIndex 里几个绕不开的概念——把原始文档转成节点、用索引组织这些节点、再通过检索器把相关片段取回来交给模型。这些词单看文档容易混，课程的价值在于把它们放进一条能跑通的流程里讲，而不是逐个名词解释。

接着会落到实际应用：怎么基于自己的数据搭一个问答流程，怎么控制召回的内容质量，怎么让返回结果带上来源。这部分是 LLamaIndex 相对好用的地方，也是初学者最容易做出可见成果的地方。

配套练习该怎么用

这类框架课最怕只看不写。建议的用法是：每讲完一个环节，立刻换一份自己的文档重跑一遍。比如课程里用某个示例数据演示加载和切分，你就换成自己的会议记录或产品说明，观察切出来的节点长什么样、检索时命中的是不是你想要的那几段。

遇到召回不准，先别急着换模型，回过头看切分粒度和索引方式——这两个参数在 LLamaIndex 里调起来很快，正好适合反复试。把每次调整前后的检索结果记下来，比记笔记有用。

看完应该能回答的问题

• 一份没处理过的长文档，要经过哪几步才能变成模型能用的检索结果？
• 索引和检索器在 LLamaIndex 里各自负责什么，什么情况下需要换另一种索引？
• 检索回来的内容不相关，优先排查哪些环节？
• 怎么让模型的回答指向具体来源，而不是泛泛而谈？
• 如果数据从静态文件换成会更新的来源，这套流程要改哪里？

能把这些说清楚，说明你不是「跑通过一个 demo」，而是真的理解了这条数据链路。框架会更新，API 会变，但这条链路的思路是通用的。