LlamaIndex 中最具借鉴价值的五点

这是AI帮我总结出来LlamaIndex 中最具借鉴价值的五点

✅ 亮点 1：分层索引（Hierarchical Indexing） + 父子文档检索（Parent-Child Chunking）

🔍 LlamaIndex 做法：

• 将文档切分为 小块（child nodes） 用于精确检索；
• 同时保留 大块（parent nodes，如整段/整页） 作为上下文容器；
• 检索时先找最相关的 child，再返回其 parent 作为上下文，避免信息碎片化。

RAG存在的问题和解决思路

一、文档层（Document Layer）问题

• 1. PDF / Office 文档格式混乱

问题：PDF 结构丢失、段落断裂、表格识别错误、图像关联中断。

解决方案：文档结构化解析（Document Normalization），多模态解析。

• 文字/图像/表格之间的关联关系丢失

  表格 + 解释性文本 绑定为一个 chunk

  图像 + caption + 引用段落 绑定为一个 multimodal block

  采用 多模态 embedding（CLIP / siglip / Voyage-multimodal）

• Chunk 边界断裂（Chunking 不感知结构）

• 滑动窗口分块

• 表格、图像不切碎，保持单独 chunk

• 基于标题层级/段落

• 多文档版本混乱（旧版手册与新版矛盾）

  • 元数据过滤
  • 检索时指定版本
  • 生成时表明冲突

• 多语言文档混合（中英并存）

  • 索引时多语言
  • 检索时中英结合

• 专业领域知识

  • Embedding微调

线上 RAG 系统零停机重建向量库

线上RAG系统绝对不能直接删除/覆盖正在使用的向量库，否则会导致服务报错、查询失败、业务中断。核心思路是：双库切换 + 流量无缝迁移，全程不影响线上服务。

我给你一套生产环境可直接落地的标准方案，步骤清晰、无风险、零停机。

核心原理

1. 线上始终有一个可用的「活跃向量库」 提供服务
2. 后台静默重建一个「新向量库」
3. 重建完成后，原子切换配置/路由，让流量切到新库
4. 验证无误后，再删除旧库（安全兜底）