#LlamaIndex

RAGapp是一款企业级Agentic RAG解决方案，配置简单如OpenAI的自定义GPT，可通过Docker部署在云基础设施中。基于LlamaIndex构建，支持OpenAI和Gemini托管AI模型以及本地Ollama模型。提供Docker Compose和即将推出的Kubernetes部署选项。访问Admin UI进行配置，详情请参阅各端点和安全信息。

LlamaIndex是一个针对LLM应用的数据框架，提供数据连接器、索引、图结构及高级检索查询接口等功能。通过LlamaIndex，用户可以轻松地将现有数据源和格式（如APIs, PDFs, 以及SQL等）整合使用，并且通过简单的API，高效地进行数据查询或定制和扩展模块，以适应各种应用需求。LlamaIndex不仅支持初学者，也适应高级用户的需求，是构建和扩展LLM应用的理想选择。

LlamaIndex.TS 提供简便的 TypeScript 和 JavaScript 库，帮助开发者将数据集成到大型语言模型中。支持 Node.js、Deno、Bun 和 React Server Components 等 JS 环境，尽量减少浏览器环境的限制。通过文档分割、嵌入和查询引擎，用户可以高效创建索引并执行查询。此外，LlamaIndex.TS 兼容多种大型语言模型，包括 OpenAI GPT、Anthropic Claude 和 Llama 系列，提供灵活工具构建高级应用程序。

本项目深入探讨了检索增强生成（RAG）管道的内部机制，揭示其技巧、局限性和成本。通过LlamaIndex和Haystack框架，了解如何构建和优化RAG管道，并解决透明度和错误问题。详细分析了子问题查询引擎的工作原理，帮助用户理解复杂的RAG管道的关键组成部分和面临的挑战。

create-tsi 是一款可通过LlamaIndex平台迅速实现AI应用生成的低代码工具。此工具支持在开放电信云上使用多样的大型语言模型（LLMs），通过灵活易用的配置，用户可以生成聊天机器人、编写代理并根据特定用例进行定制。无论是生成简单的聊天应用还是处理个性化数据集，create-tsi 都能提供快速、灵活且支持自动化、API和云服务的解决方案。

本课程面向LlamaIndex初学者，旨在帮助用户使用这一强大的开源框架在私有数据上训练ChatGPT。需要学员具备Python基础，了解机器学习和语言模型更佳。关注最新视频更新并加入Discord服务器获取更多支持。课程欢迎各类贡献和改进建议。

ClassGPT利用PDF解析工具和ChatGPT API实现讲义的内容解析与互动问答，采用LlamaIndex和LangChain提升查询效率，支持使用Streamlit开发UI，提供本地和Docker部署选项，并附有详细的配置指南。

create-llama是一个用于快速构建LlamaIndex应用的命令行工具。它支持Next.js、Express和Python FastAPI等多种后端，并提供基于Next.js的前端界面。开发者可以方便地添加数据源、创建AI代理和自定义模型。该工具兼容多种文件格式，具备数据索引和查询功能。create-llama提供了一个灵活的AI应用开发环境，简化了LlamaIndex应用的创建流程。

LlamaParse是LlamaIndex开发的文件解析API，旨在提高LlamaIndex框架的检索和上下文扩充能力。该API支持多种文件格式，可将解析结果输出为Markdown或纯文本。LlamaParse提供每日1000页的免费解析额度，支持异步和批量处理，并可与SimpleDirectoryReader集成，简化文件处理和索引流程。通过直接集成到LlamaIndex中，LlamaParse为开发者提供了更高效的文档处理解决方案。

LlamaHub是一个开源项目，汇集了社区贡献的数据加载器、工具和Llama包。该项目旨在简化大型语言模型与多样化知识源的连接过程。LlamaHub提供丰富的工具集，支持创建自定义数据代理，实现智能数据处理和应用。通过PyPI包和LlamaIndex下载器等多种集成方式，LlamaHub为用户提供了便捷的使用体验，有助于充分发挥大型语言模型的潜力。

finetune-embedding项目展示了利用合成数据微调嵌入模型来提升RAG性能的方法。该项目详细介绍了使用大语言模型生成合成数据集、微调开源嵌入模型和评估模型效果的步骤。在小规模金融PDF文档数据集上的实验证明，微调后的嵌入模型能显著提高检索性能。这种方法通过大语言模型生成假设性问题，无需人工标注即可创建高质量训练数据，为RAG系统优化提供了新思路。

本项目展示了利用LlamaIndex和MongoDB构建智能问答系统的完整流程。从数据导入到索引创建,再到API开发和前端部署,涵盖了系统构建的各个环节。结合OpenAI语言模型和MongoDB向量搜索,实现了对特定数据集的复杂查询和智能回答。项目提供了一个端到端的工作流程,可供开发者参考创建AI驱动的应用。

create_llama_projects是一系列基于create-llama命令构建的开源AI项目。项目涵盖嵌入式表格分析、多文档比较、多模态聊天、文档问答等应用。通过整合语言模型和索引技术，这些项目展示了AI在数据分析和智能交互领域的实际应用潜力。

此项目展示了在Text-to-SQL数据集上微调LLaMa 2 7B模型的过程。利用LlamaIndex、Modal和Hugging Face datasets等工具，项目提供了从数据加载到模型微调和推理的完整教程。开发者可以学习如何针对结构化数据库执行自然语言查询，并通过提供的模型权重下载选项，快速构建Text-to-SQL应用。项目涵盖了整个开发流程，为Text-to-SQL应用的实现提供了实用的参考。

Llama Docs Bot是一个包含LlamaIndex智能文档助手开发教程的开源项目。项目提供Bottoms Up Development系列视频的配套资源，每个编号文件夹对应一个视频教程，包含Jupyter notebook和幻灯片。这些材料帮助开发者学习使用LlamaIndex构建文档处理和检索系统，提高AI应用开发技能。

Code Indexer Loop是一个专注于代码索引和检索的Python开源库。它整合了LlamaIndex、tree-sitter等工具，支持多种编程语言的解析。该库采用tiktoken优化检索，通过LangChain生成嵌入，并使用ChromaDB存储。借助watchdog实现实时文件监控，Code Indexer Loop能够高效地维护最新的代码索引，为开发者提供快速、准确的代码片段检索服务。

LLM-Ops-Cohort-1课程聚焦大规模语言模型在生产环境的实践应用。学员将学习使用LangChain和LlamaIndex构建复杂应用，掌握LLM产品开发方法，并构建完整的RAG系统。课程内容涵盖RAG应用开发、智能代理应用、数据处理等实用技能，旨在培养LLM生产环境操作的专业人才。课程还包括Llama 2模型应用、FastAPI开发、性能评估等进阶内容，并介绍了WandB和LangSmith等可视化和可观察性工具，全面提升学员在LLM生产环境中的实践能力。

LlamaIndex是一个用于构建大型语言模型(LLM)应用的数据框架。它支持160多种数据源和格式的加载，40多个向量存储和数据库的集成，以及LLM工作流程编排。该框架提供社区贡献的连接器、工具和数据集，并可与多种服务集成。LlamaIndex为开发者提供了构建LLM应用所需的工具和资源，简化了自定义数据源与LLM的连接过程。

multi-agent-concierge项目展示了一种创新的多智能体协作系统。该系统通过任务智能体（如股票查询、用户认证、账户余额查询和资金转账）和元智能体（如协调、编排和延续）的协作，高效处理复杂用户请求。这种架构适用于大规模、多任务场景，为开发高效智能的客户服务系统提供新思路。

SEC Insights是一个开源项目，利用LlamaIndex的RAG技术分析SEC 10-K和10-Q文档。该工具提供聊天式问答、源数据引用和PDF查看等功能，还可通过API回答定量问题。项目使用React和FastAPI构建，支持本地和云端部署，为开发者提供了完整的RAG应用参考。