En esta página, se describen algunos casos de uso para compilar aplicaciones potenciadas por LLM con LlamaIndex integrado en Cloud SQL para PostgreSQL. Se proporcionan vínculos a notebooks en GitHub para ayudarte a explorar enfoques o desarrollar tu aplicación.
LlamaIndex es un framework de organización de IA generativa que te permite conectar e integrar fuentes de datos con modelos de lenguaje grandes (LLM). Puedes usar LlamaIndex para crear aplicaciones que accedan a información de datos privados o específicos del dominio y la consulten con consultas en lenguaje natural.
LlamaIndex actúa como un puente entre los datos personalizados y los LLM, lo que facilita el desarrollo de aplicaciones de asistentes de conocimiento con capacidades de generación mejorada por recuperación (RAG).
LlamaIndex es adecuado para aplicaciones centradas en documentos porque enfatiza la administración estructurada de documentos, lo que simplifica la indexación y la recuperación. Este framework incluye mecanismos de consulta optimizados que mejoran la velocidad y la relevancia del acceso a la información, además de un sólido control de metadatos para un filtrado detallado.
Para obtener más información sobre el framework de LlamaIndex, consulta la documentación del producto de LlamaIndex.
Componentes de LlamaIndex
Cloud SQL para PostgreSQL ofrece las siguientes interfaces de LlamaIndex:
- Almacén de vectores
- Almacén de documentos
- Index Stores
- Tiendas de chat
- Lector de documentos
Aprende a usar LlamaIndex con la guía de inicio rápido de Cloud SQL para PostgreSQL.
Almacén de vectores
Esta integración de LlamaIndex te permite usar la naturaleza sólida y escalable de Cloud SQL para PostgreSQL para almacenar y administrar tus datos de LlamaIndex. Si combinas las capacidades de indexación y consulta de LlamaIndex con el alto rendimiento y la confiabilidad de Cloud SQL para PostgreSQL, puedes compilar aplicaciones potenciadas por LLM más eficientes y escalables.
LlamaIndex desglosa un documento (doc, texto y PDFs) en componentes de documentos llamados nodos. El VectorStore solo puede contener los vectores de embedding del contenido de los nodos incorporados y el texto de los nodos. Un nodo, que es un concepto de primera clase, contiene contenido de texto, incorporaciones de vectores y metadatos. Puedes aplicar filtros en estos campos de metadatos para restringir la recuperación de nodos a aquellos que coincidan con los criterios de metadatos especificados.
Para trabajar con almacenes de vectores en Cloud SQL para PostgreSQL, usa la clase PostgresVectorStore.
Para obtener más información, consulta LlamaIndex Vector Stores.
Almacena embeddings de vectores con la clase PostgresVectorStore
En la guía de Cloud SQL para PostgreSQL para el almacén de vectores, se muestra cómo hacer lo siguiente:
- Inicializa una tabla para almacenar embeddings de vectores
- Crea una instancia de la clase de embedding con cualquier modelo de embedding de índice de Llama.
- Inicializa un almacén de vectores
PostgresVectorStorepredeterminado. - Crea y consulta un índice desde el almacén de vectores con VectorStoreIndex.
- Crea un almacén de vectores personalizado para almacenar y filtrar metadatos de manera eficaz.
- Agrega un índice de ANN para mejorar la latencia de la búsqueda.
Almacenes de documentos y de índices
La integración de LlamaIndex Document Stores administra el almacenamiento y la recuperación de documentos estructurados, y se optimiza para las capacidades centradas en documentos de LlamaIndex. DocumentStore almacena el contenido relacionado con los vectores en el almacén de vectores.
Para obtener más información, consulta la documentación del producto LlamaIndex Document Stores.
Los almacenes de índices facilitan la administración de índices para permitir consultas rápidas y recuperación de datos, por ejemplo, índices de resumen, palabras clave y de árbol.Index en LlamaIndex es un almacenamiento liviano solo para los metadatos del nodo. Las actualizaciones de los metadatos de los nodos no requieren la reindexación (generación de la incorporación de lectura) del nodo completo ni de todos los nodos de un documento.
Para obtener más información, consulta LlamaIndex Index Stores.
Almacena documentos e índices
El notebook de Cloud SQL para PostgreSQL para almacenes de documentos muestra cómo usar Cloud SQL para PostgreSQL para almacenar documentos e índices con las clases PostgresDocumentStore y PostgresIndexStore. Aprenderás a hacer lo siguiente:
- Crea un
PostgresEngineconPostgresEngine.from_instance(). - Crea tablas para DocumentStore y IndexStore.
- Inicializa un
PostgresDocumentStorepredeterminado. - Configura un Postgres
IndexStore. - Agrega documentos a
Docstore. - Usa almacenes de documentos con varios índices.
- Carga los índices existentes.
Tiendas de chat
Las tiendas de chat mantienen el historial y el contexto de las conversaciones para las aplicaciones basadas en chat, lo que permite interacciones personalizadas. Los Chat Stores proporcionan un repositorio central que almacena y recupera mensajes de chat dentro de una conversación, lo que permite que el LLM mantenga el contexto y proporcione respuestas más relevantes basadas en el diálogo en curso.
De forma predeterminada, los modelos de lenguaje grandes no tienen estado, lo que significa que no conservan las entradas anteriores, a menos que se proporcionen explícitamente cada vez. Si usas un almacén de chat, puedes conservar el contexto de la conversación, lo que permite que el modelo genere respuestas más coherentes y pertinentes con el tiempo.
El módulo de memoria de LlamaIndex permite almacenar y recuperar de manera eficiente el contexto de la conversación, lo que permite interacciones más personalizadas y contextuales en las aplicaciones de chat. Puedes integrar el módulo de memoria en LlamaIndex con un ChatStore y un ChatMemoryBuffer.
Para obtener más información, consulta LlamaIndex Chat Stores.
Almacena el historial de chat
En el notebook de Cloud SQL para PostgreSQL para Chat Stores, se muestra cómo usar Cloud SQL para PostgreSQL para almacenar el historial de chat con la clase PostgresChatStore. Aprenderás a hacer lo siguiente:
- Crea un
PostgresEngineconPostgresEngine.from_instance(). - Inicializar un
PostgresChatStore.predeterminado - Crea una
ChatMemoryBuffer. - Crea una instancia de la clase LLM.
- Usa
PostgresChatStoresin un contexto de almacenamiento. - Usa
PostgresChatStorecon un contexto de almacenamiento. - Crea y usa Chat Engine.
Lector de documentos
Document Reader recupera y transforma de manera eficiente los datos de Cloud SQL para PostgreSQL en formatos compatibles con LlamaIndex para la indexación. La interfaz Document Reader proporciona métodos para cargar datos de una fuente como Documents. Document
es una clase que almacena un fragmento de texto y los metadatos asociados. Puedes usar lectores de documentos para cargar los documentos que deseas almacenar en almacenes de documentos o que se usan para crear índices.
Para obtener más información, consulta LlamaIndex Document Reader.
Recupera datos como documentos
El notebook de Cloud SQL para PostgreSQL para Document Reader muestra cómo usar Cloud SQL para PostgreSQL para recuperar datos como documentos con la clase PostgresReader. Aprenderás a hacer lo siguiente:
- Crea un
PostgresEngineconPostgresEngine.from_instance(). - Crea
PostgresReader. - Carga documentos con el argumento
table_name. - Carga documentos con una consulta en SQL.
- Establece el formato del contenido de la página.
- Carga los documentos.