LlamaIndex 官方示例全指南从 Agents 到向量存储的五大实战模块【免费下载链接】llama_indexLlamaIndex is the leading document agent and OCR platform项目地址: https://gitcode.com/GitHub_Trending/ll/llama_index本文以 LlamaIndex 仓库中的 docs/examples/index.md 为骨架系统梳理官方示例集的全貌Agent 能力、Agentic Workflows 事件驱动工作流、LLM 集成、Embedding 模型与向量存储五大模块。读完本文你将清楚每个模块对应哪些可运行的 notebook、底层由哪些核心类支撑如AgentWorkflow、FunctionAgent并能快速定位到合适示例作为自己项目的起点。一、示例集概览一份可运行的动手目录LlamaIndex 在docs/examples/目录下维护了一套极为丰富的示例集覆盖不同的使用场景、第三方集成与功能特性。索引页 docs/examples/index.md 承担总目录职责左侧导航中还挂载了大量按组件llms、embeddings、vector_stores、tools、retrievers 等分类的 notebook方便按需检索。从目录结构看示例集与仓库的模块划分一一对应示例分类仓库目录核心主题Agentsdocs/examples/agent函数调用 Agent、ReAct、CodeAct、多 Agent 工作流Agentic Workflowsdocs/examples/workflow事件驱动的工作流编排、Text-to-SQL、RAG 流水线LLM Integrationsdocs/examples/llm数十家 LLM 提供商的接入与配置Embedding Modelsdocs/examples/embeddings各厂商 embedding 模型的使用Vector Storesdocs/examples/vector_stores各类向量数据库的索引构建与检索所有示例均以 Jupyter Notebook.ipynb形式提供可直接在本地用jupyter notebook或jupyter lab打开运行也可用nbstripout等工具剥离输出后做版本管理。下文逐模块展开。二、Agents用 LlamaIndex 构建智能体Agent 是 LlamaIndex 的核心能力之一示例集提供了从入门到进阶的完整路径Function Calling Agent —— 学习函数调用 Agent 与AgentWorkflow的基础用法这是当前推荐的主流入门方式React Agent —— 使用 ReActReasoning and Acting推理与行动交替模式驱动 AgentCode Act Agent —— 能够编写并执行代码的 Agent适合代码生成、数据分析类任务Multi-Agent Workflow —— 用AgentWorkflow编排多个各司其职的 Agent 协作完成复杂任务。如果你对 Agent 的通用概念工具绑定、状态管理、流式输出、结构化输出等还不熟悉官方框架文档 understanding/agent/index.mdx 提供了更系统的介绍其中还包含 multi_agent.md、tools.md、state.md 等子专题。2.1 源码视角AgentWorkflow 的构造约束示例中的AgentWorkflow对应核心源码 multi_agent_workflow.py 中的同名类它同时继承Workflow与PromptMixin本质上是事件驱动的 Agent 编排器。从构造函数multi_agent_workflow.py可以看到几个关键入参agentsBaseWorkflowAgent列表至少提供一个 Agent否则抛ValueErrorroot_agent指定根 Agent 名称单 Agent 场景下会自动把唯一 Agent 设为根initial_stateAgent 间共享的初始状态字典handoff_prompt/handoff_output_prompt/state_promptAgent 交接handoff与状态同步所用的提示词模板均可自定义字符串timeout单次运行超时early_stopping_method取值force或generate默认force决定停止生成时的收尾方式。实现上还做了一系列防御性校验multi_agent_workflow.py多 Agent 场景下每个 Agent 必须有非默认的name与description交接时靠它们路由且AgentWorkflow不支持在单个 Agent 上设置initial_state。这些约束提示我们在写示例时务必为每个子 Agent 取好名字、写好描述——这是多 Agent 协作能否正确交接的前提。2.2 源码视角三类内置 Agent 的差异与AgentWorkflow配套的 Agent 实现位于llama-index-core/llama_index/core/agent/workflow/目录下三者继承自BaseWorkflowAgentfunction_agent.py 中的FunctionAgent面向支持函数调用tool calling的 LLM。其字段allow_parallel_tool_calls默认True决定是否并行调用多个工具initial_tool_choice可强制首轮先调用某个工具用于引导 Agent 的初始行为。请求发送走achat_with_tools/astream_chat_with_toolsfunction_agent.pyreact_agent.py 中的ReActAgent采用 ReAct 模式不依赖 LLM 的原生函数调用能力兼容面更广codeact_agent.py 中的CodeActAgent面向写代码并执行的场景。三、Agentic Workflows用 Workflows 编排智能体系统除了直接用 AgentLlamaIndex 还提供 Workflows 事件驱动框架来构建 agentic 系统相关示例集中在 docs/examples/workflowFunction Calling Agent from Scratch —— 不依赖高层封装从零实现一个函数调用 Agent适合理解事件流转细节React Agent —— 用 Workflows 手动搭建 ReAct 循环CodeAct Agent from Scratch —— 从零构建 CodeAct Agent该 notebook 位于 agent 目录下主题与 Agentic Workflows 一致Basic RAG —— 最简 RAG 工作流实现演示加载-索引-检索-合成的事件流水线Advanced Text-to-SQL —— 让 LlamaIndex 生成 SQL 查询并执行打通自然语言 → SQL → 查询结果的完整链路。此外 docs/examples/workflow 还包含parallel_execution.ipynb并行执行、human_in_the_loop_story_crafting.ipynb人在回路、reflection.ipynb反思式工作流、multi_strategy_workflow.ipynb多策略路由等进阶示例值得逐一阅读。四、LLM Integrations接入主流大模型提供商LlamaIndex 通过统一接口抽象屏蔽了不同 LLM 提供商的差异docs/examples/llm/目录下提供了近百个 notebook覆盖几乎所有主流服务商。索引页重点推荐OpenAI —— GPT-3.5 / GPT-4 等系列模型Anthropic —— Claude 系列模型Bedrock —— 基于 AWS Bedrock Converse API可调用 Meta Llama 3 等模型Gemini / Vertex —— Google Gemini 与 Vertex AI 模型Mistral —— Mistral AI 模型Ollama —— 本地运行 Ollama 模型。除了索引页点名的这些目录里还有deepseek.ipynb、groq.ipynb、dashscope.ipynb、zhipuai对应llama-index-llms-zhipuai集成、vllm.ipynb、llama_cpp.ipynb等大量选择足以覆盖云端 API、本地推理、自托管推理服务等多种部署形态。在仓库的集成包层面每个提供商都有独立的 pip 包例如llama-index-integrations/llms/下的llama-index-llms-openai、llama-index-llms-anthropic、llama-index-llms-ollama等安装后即可在代码中通过统一的from llama_index.llms.xxx import Xxx方式使用。对 LLM 抽象的整体理解可参考框架文档 understanding/using_llms.mdx。五、Embedding Models选择合适的向量化模型Embedding 模型决定检索质量的底座docs/examples/embeddings 提供了各主流方案的 notebookOpenAI Embeddings —— OpenAI 文本向量模型如 text-embedding 系列Cohere Embeddings —— Cohere 向量模型HuggingFace Embeddings —— 在本地使用 HuggingFace 开源向量模型数据不出本地适合隐私敏感场景Jina Embeddings —— Jina AI 向量模型Ollama Embeddings —— 通过 Ollama 本地运行向量模型VoyageAI Embeddings —— VoyageAI 向量模型。目录中还包含fastembed.ipynb、nomic.ipynb、mixedbreadai.ipynb、bge相关等社区常用选择。所有 embedding 集成同样以独立 pip 包形式发布在llama-index-integrations/embeddings/下安装对应包后即可用统一 API 调用。六、Vector Stores持久化与检索向量向量存储是 RAG 落地的关键一环docs/examples/vector_stores 是仓库中 notebook 数量最多的目录之一覆盖主流向量数据库Pinecone —— 全托管向量数据库Chroma —— 轻量级开源向量存储Weaviate —— 支持混合检索的向量数据库Qdrant —— 高性能向量数据库目录下还有Qdrant_hybrid.ipynb、qdrant_bm42.ipynb等进阶用法MongoDB Atlas —— MongoDB Atlas Vector SearchRedis —— Redis 向量检索Milvus —— 分布式向量数据库另有MilvusHybridIndexDemo.ipynb、MilvusAsyncAPIDemo.ipynbAzure AI Search —— 微软云向量检索服务。这些示例多数遵循同一套使用模式创建向量存储客户端 → 用对应VectorStore类包装 → 构建VectorStoreIndex→ 查询。对应集成包位于llama-index-integrations/vector_stores/如llama-index-vector-stores-pinecone、llama-index-vector-stores-qdrant等。若想系统理解向量存储 检索在 RAG 中的位置可阅读框架文档 understanding/rag/index.mdx。七、如何挑选并运行示例挑选示例时可按三条线索定位按组件看左侧导航按组件组织的 notebookllms、embeddings、vector_stores、tools、retrievers、query_engine 等按场景如果目标是搭建 Agent从 docs/examples/agent 和 docs/examples/workflow 入手如果目标是 RAG从 embeddings 与 vector_stores 入手按提供商若已确定使用某家云服务或某款开源模型直接在对应目录中搜索其 notebook。运行方式上所有示例都是标准 Jupyter Notebook建议为每个集成包建立独立的虚拟环境仓库根目录提供pyproject.toml与uv.lock可参考其依赖管理方式先安装对应集成包如llama-index-llms-openai、llama-index-vector-stores-qdrant再按 notebook 中的提示配置 API Key 或本地服务地址即可复现。八、小结docs/examples/index.md是进入 LlamaIndex 世界的示例地图Agent 与 Agentic Workflows 教会你构建智能体系统底层由 AgentWorkflow 与 FunctionAgent 等类支撑LLM 与 Embedding 集成解决模型从哪来的问题向量存储解决知识放哪里的问题。建议按先跑通 Basic RAG → 再上手 Function Calling Agent → 最后尝试 Multi-Agent 协作的路径循序渐进配合 docs/examples/index.md 持续按需查阅即可快速把 LlamaIndex 用到自己的项目中。【免费下载链接】llama_indexLlamaIndex is the leading document agent and OCR platform项目地址: https://gitcode.com/GitHub_Trending/ll/llama_index创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考