LlamaIndex 查询本地文件

在 上一篇文章 中，我们已经构建了本地的文件向量数据库，并对其进行了查询。但对于小型文件，或者仅执行一次的查询而言，这种方式又显得比较繁琐，因为它分为了两个步骤，且在本地生成了vector向量数据库。对于临时查询而言，这个文件夹就相当于“临时文件”了。本文延续上面的例子，只不过不在本地创建文件向量库，而是对文件进行直接查询。

在工作目录下，新建一个文件：txt_file_query.py，内容如下：

# 构建向量库 from dotenv import load_dotenv load_dotenv() # 选择embedding模型 from llama_index.core import Settings from llama_index.embeddings.openai import OpenAIEmbedding from llama_index.llms.openai import OpenAI Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-large") Settings.llm = OpenAI(model="gpt-4o") # 1. 加载 from llama_index.core import SimpleDirectoryReader documents = SimpleDirectoryReader(input_files=["./player.txt"]).load_data() # 2. 索引 from llama_index.core import VectorStoreIndex vector_index = VectorStoreIndex.from_documents(documents) # 3. 转换为查询引擎 query_engine = vector_index.as_query_engine() # 4. 查询 response = query_engine.query("ShadowBlade_007 注册了多久了？") # 5. 打印结果 print(response)

执行脚本，输出结果如下：

D:\codes\llamaindex\rag_txt> py .\txt_file_query.py ShadowBlade_007注册了1324天。

上面代码中，比较关键的一句是：vector_index.as_query_engine()。query_engine是​​查询执行引擎​​，负责将自然语言查询转化为检索-生成流程，最终输出答案。它的工作，主要是两部分：

• 语义检索​​：将问题转化为向量，从vector_index中检索相似度最高的节点（默认similarity_top_k=2）
• 响应合成​​：将检索到的文本片段拼接为上下文，提交给LLM生成最终答案（本例中使用的是gpt-4o）

如何对检索的相似度进行调优，这个在后续的章节再说，这里仅跑通流程。

另一个核心对象是vector_index，它是向量存储索引对象​​，核心功能是将文档内容转化为可快速检索的向量结构，为后续语义搜索提供基础。它的工作，主要是下面三部分：

• 分块​​：原始文档被分割为多个节点（Node），默认使用SentenceSplitter，每个节点约1024字符（可自定义）
• ​​嵌入向量生成​​：通过OpenAIEmbedding模型将文本转化为向量（本例使用text-embedding-3-large）
• 向量存储：向量及元数据（如文件名、页码）存入向量数据库（如Chroma），本例未显式指定，默认使用内存存储

在这个例子中，未提现节点（Node）和相关的配置，全部采用了默认配置。因为LlamaIndex以及大语言开发，涌现了非常多的概念和配置，这些我们将在后续的文章中再行探讨。

感谢阅读，希望这篇文章能给你带来帮助！