LlamaIndex 实现检索增强生成（RAG）的关键流程包含哪些步骤？

1. 数据加载（Loading）

通过数据连接器从各种数据源（文本文件、PDF、网站、数据库、API）加载原始数据，转换为 LlamaIndex 内部的 Document 格式。LlamaHub 提供了数百个连接器供选择。

2. 解析与分块（Parsing / Chunking）

将 Document 拆分为 Node，使用 NodeParser 进行分块。可配置分块大小、重叠度和分割策略。常用的分块策略包括：

• SentenceSplitter：按句子边界分割，保持语义完整性。
• SemanticSplitterNodeParser：基于语义边界检测进行分割。
• 结构感知解析器：针对 Markdown、JSON、HTML 等格式的结构化分割。

3. 索引构建（Indexing）

对 Node 生成嵌入向量（Embedding），并存储到索引结构中。嵌入向量是文本语义的数值表示，使计算机能够以数学方式比较文本相似度。根据索引类型的不同，可能还会提取关键词、构建实体关系图或生成摘要。

4. 存储（Storing）

将构建好的索引持久化存储，避免每次查询时重新索引。LlamaIndex 支持从简单的本地存储到生产级向量数据库的多种存储后端。

5. 查询检索（Querying）

当用户提交问题时，检索器将查询转换为嵌入向量，在索引中搜索最相关的 Node。检索策略可能包括语义相似度搜索、元数据过滤或混合检索。

6. 响应合成（Synthesis）

将检索到的 Node 与用户查询一起传递给 LLM，生成基于检索上下文的增强回答。LlamaIndex 提供多种合成策略：

• Simple Summarize：将所有检索到的 Node 文本拼接后一次性传递给 LLM。
• Refine：逐个遍历检索到的 Node，逐步精炼答案。
• Compact：先将 Node 压缩到 LLM 上下文窗口内，再进行精炼。
• Tree Summarize：从检索到的 Node 构建摘要树，返回根节点摘要。