亚洲精品色综合久久,久久精品国产久金国产思思,日韩一区二区久久久久久

優勢與局限

優勢：依賴預先計算的摘要信息，可以快速響應用戶的檢索請求，適用于數據更新不頻繁的場景。
局限：可能無法捕捉到最新的數據變化，對于動態變化的內容，其檢索效果可能受限。

檢索器模式比較

LlamaIndex 中的 SummaryIndex 提供了三種不同的檢索器模式：default、embedding 和 llm。每種模式都有其獨特的技術依賴和應用場景。

SummaryIndexRetriever（default）

SummaryIndexRetriever 是默認的檢索器模式，它主要依賴于預先計算的摘要信息來檢索數據。這種方式的優點是速度快，但缺點是可能無法捕捉到最新的數據變化。

summary_retriever_default = summary_index.as_retriever(retriever_mode="default")

SummaryIndexEmbeddingRetriever（embedding）

SummaryIndexEmbeddingRetriever 使用嵌入技術來進行檢索。這種方式的優點是可以捕捉到語義上的相似性，但缺點是計算開銷較大。

summary_retriever_embedding = summary_index.as_retriever(retriever_mode="embedding")

SummaryIndexLLMRetriever（llm）

SummaryIndexLLMRetriever 使用大型語言模型來進行檢索。這種方式的優點是可以處理復雜的查詢和文檔，捕捉到更深層次的語義關系，但缺點是計算開銷非常大。

summary_retriever_llm = summary_index.as_retriever(retriever_mode="llm")

應用場景與選擇指南

根據不同的應用需求，選擇合適的檢索器模式至關重要。以下是一些場景和建議：

快速檢索與數據穩定性

如果你需要快速檢索且數據變化不頻繁，可以選擇 default 模式。

語義相似性捕捉

如果你需要捕捉語義上的相似性，可以選擇 embedding 模式。

復雜查詢處理

如果你需要處理復雜的查詢和文檔，可以選擇 llm 模式。

代碼實現示例

以下是如何在 Python 中使用 LlamaIndex 構建 SummaryIndex 并執行檢索的示例代碼。

from llama_index.core import SimpleDirectoryReader, get_response_synthesizer
from llama_index.core import DocumentSummaryIndex
from llama_index.llms.openai import OpenAI
from llama_index.core.node_parser import SentenceSplitter

chatgpt = OpenAI(temperature=0, model="gpt-3.5-turbo")
splitter = SentenceSplitter(chunk_size=1024)
response_synthesizer = get_response_synthesizer(response_mode="tree_summarize", use_async=True)

doc_summary_index = DocumentSummaryIndex.from_documents(
    city_docs,
    llm=chatgpt,
    transformations=[splitter],
    response_synthesizer=response_synthesizer,
    show_progress=True,
)