企业官网建设流程全解析

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：

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 ReAct（Reasoning and Acting，推理与行动交替）模式驱动 Agent；
• Code 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：

• agents：BaseWorkflowAgent列表，至少提供一个 Agent，否则抛ValueError；
• root_agent：指定根 Agent 名称；单 Agent 场景下会自动把唯一 Agent 设为根；
• initial_state：Agent 间共享的初始状态字典；
• handoff_prompt/handoff_output_prompt/state_prompt：Agent 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BaseWorkflowAgent：

• function_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_tools（function_agent.py）；
• react_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 Agent，LlamaIndex 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/workflow：

• Function 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 notebook：

• OpenAI 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 Search；
• Redis —— Redis 向量检索；
• Milvus —— 分布式向量数据库，另有MilvusHybridIndexDemo.ipynb、MilvusAsyncAPIDemo.ipynb；
• Azure 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：

1. 按组件：看左侧导航按组件组织的 notebook（llms、embeddings、vector_stores、tools、retrievers、query_engine 等）；
2. 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；
3. 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