Membangun aplikasi yang didukung LLM menggunakan LlamaIndex

Halaman ini menjelaskan beberapa kasus penggunaan untuk membangun aplikasi yang didukung LLM menggunakan LlamaIndex yang terintegrasi dengan AlloyDB untuk PostgreSQL. Link ke notebook di GitHub disediakan untuk membantu Anda mempelajari pendekatan atau membantu Anda mengembangkan aplikasi.

LlamaIndex adalah framework orkestrasi AI generatif yang memungkinkan Anda menghubungkan dan mengintegrasikan sumber data dengan model bahasa besar (LLM). Anda dapat menggunakan LlamaIndex untuk membangun aplikasi yang mengakses dan mengkueri informasi dari data pribadi atau khusus domain menggunakan kueri bahasa alami.

LlamaIndex bertindak sebagai jembatan antara data kustom dan LLM, sehingga memfasilitasi pengembangan aplikasi asisten pengetahuan dengan kemampuan retrieval-augmented generation (RAG).

LlamaIndex sangat cocok untuk aplikasi yang berpusat pada dokumen karena menekankan pengelolaan dokumen terstruktur, yang menyederhanakan pengindeksan dan pengambilan. Framework ini menampilkan mekanisme kueri yang dioptimalkan yang meningkatkan kecepatan dan relevansi akses informasi, serta penanganan metadata yang andal untuk pemfilteran yang cermat.

Untuk mengetahui informasi selengkapnya tentang framework LlamaIndex, lihat dokumentasi produk LlamaIndex.

Komponen LlamaIndex

AlloyDB menawarkan antarmuka LlamaIndex berikut:

  • Penyimpanan Vektor
  • Penyimpanan Dokumen
  • Penyimpanan Indeks
  • Penyimpanan Chat
  • Document Reader

Pelajari cara menggunakan LlamaIndex dengan Panduan Memulai untuk AlloyDB.

Penyimpanan Vektor

Integrasi LlamaIndex ini memungkinkan Anda menggunakan sifat AlloyDB yang andal dan skalabel untuk menyimpan dan mengelola data LlamaIndex. Dengan menggabungkan kemampuan pengindeksan dan kueri LlamaIndex dengan performa dan keandalan tinggi AlloyDB, Anda dapat membangun aplikasi yang didukung LLM yang lebih efisien dan skalabel.

LlamaIndex memecah dokumen —doc, teks, dan PDF— menjadi komponen dokumen yang disebut node. VectorStore hanya dapat berisi vektor embedding dari konten node yang dimasukkan dan teks node. Node, yang merupakan konsep kelas pertama, berisi konten teks, embedding vektor, dan metadata. Anda dapat menerapkan filter pada kolom metadata ini untuk membatasi pengambilan node ke node yang cocok dengan kriteria metadata yang ditentukan.

Untuk menggunakan penyimpanan vektor di AlloyDB, gunakan class AlloyDBVectorStore. Untuk mengetahui informasi selengkapnya, lihat Penyimpanan Vektor LlamaIndex.

Menyimpan embedding vektor dengan class AlloyDBVectorStore

Notebook AlloyDB untuk penyimpanan vektor menunjukkan cara melakukan hal berikut:

Penyimpanan Dokumen dan Indeks

Integrasi Penyimpanan Dokumen LlamaIndex mengelola penyimpanan dan pengambilan dokumen terstruktur yang dioptimalkan untuk kemampuan berpusat pada dokumen LlamaIndex. Penyimpanan Dokumen menyimpan konten yang terkait dengan vektor di penyimpanan vektor.

Untuk mengetahui informasi selengkapnya, lihat dokumentasi produk Penyimpanan Dokumen LlamaIndex.

Penyimpanan Indeks memfasilitasi pengelolaan indeks untuk memungkinkan kueri dan pengambilan data yang cepat, misalnya, indeks ringkasan, kata kunci, dan Pohon. Index di LlamaIndex adalah penyimpanan ringan hanya untuk metadata node. Update pada metadata node tidak memerlukan pengindeksan ulang (baca pembuatan embedding generation) node lengkap atau semua node dalam dokumen.

Untuk mengetahui informasi selengkapnya, lihat LlamaIndex Penyimpanan Indeks.

Menyimpan dokumen dan indeks

Notebook AlloyDB untuk Penyimpanan Dokumen menunjukkan cara menggunakan AlloyDB untuk menyimpan dokumen dan indeks menggunakan class AlloyDBDocumentStore dan AlloyDBIndexStore. Anda akan mempelajari cara melakukan hal berikut:

  • Membuat AlloyDBEngine menggunakan AlloyDBEngine.from_instance().
  • Membuat tabel untuk DocumentStore dan IndexStore.
  • Menginisialisasi AlloyDBDocumentStore default.
  • Menyiapkan AlloyDBIndexStore.
  • Menambahkan dokumen ke Docstore.
  • Menggunakan Penyimpanan Dokumen dengan beberapa indeks.
  • Memuat indeks yang ada.

Penyimpanan Chat

Penyimpanan Chat mempertahankan histori dan konteks percakapan untuk aplikasi berbasis chat, sehingga memungkinkan interaksi yang dipersonalisasi. Penyimpanan Chat menyediakan repositori pusat yang menyimpan dan mengambil pesan chat dalam percakapan, sehingga memungkinkan LLM mempertahankan konteks dan memberikan respons yang lebih relevan berdasarkan dialog yang sedang berlangsung.

Model bahasa besar bersifat tanpa status secara default, yang berarti model tersebut tidak menyimpan input sebelumnya kecuali jika input tersebut diberikan secara eksplisit setiap kali. Dengan menggunakan penyimpanan chat, Anda dapat mempertahankan konteks percakapan, yang memungkinkan model menghasilkan respons yang lebih relevan dan koheren dari waktu ke waktu.

Modul memori di LlamaIndex memungkinkan penyimpanan dan pengambilan konteks percakapan yang efisien, sehingga memungkinkan interaksi yang lebih dipersonalisasi dan kontekstual dalam aplikasi chat. Anda dapat mengintegrasikan modul memori di LlamaIndex dengan ChatStore dan ChatMemoryBuffer.
Untuk mengetahui informasi selengkapnya, lihat LlamaIndex Penyimpanan Chat.

Menyimpan histori chat

Notebook AlloyDB untuk Penyimpanan Chat menunjukkan cara menggunakan AlloyDB for PostgreSQL untuk menyimpan histori chat menggunakan class AlloyDBChatStore. Anda akan mempelajari cara melakukan hal berikut:

  • Membuat AlloyDBEngine menggunakan AlloyDBEngine.from_instance().
  • Menginisialisasi AlloyDBChatStore default.
  • Membuat ChatMemoryBuffer.
  • Membuat instance class LLM.
  • Menggunakan AlloyDBChatStore tanpa konteks penyimpanan.
  • Menggunakan AlloyDBChatStore dengan konteks penyimpanan.
  • Membuat dan menggunakan Chat Engine.

Document Reader

Document Reader mengambil dan mengubah data dari AlloyDB secara efisien ke dalam format yang kompatibel dengan LlamaIndex untuk pengindeksan. Antarmuka Document Reader menyediakan metode untuk memuat data dari sumber sebagai Documents. Document adalah class yang menyimpan bagian teks dan metadata terkait. Anda dapat menggunakan Document Reader untuk memuat dokumen yang ingin disimpan di Penyimpanan Dokumen atau digunakan untuk membuat Indeks.

Untuk mengetahui informasi selengkapnya, lihat LlamaIndex Document Reader.

Mengambil data sebagai dokumen

Notebook AlloyDB untuk Document Reader menunjukkan cara menggunakan AlloyDB untuk mengambil data sebagai dokumen menggunakan class AlloyDBReader. Anda akan mempelajari cara melakukan hal berikut:

  • Membuat AlloyDBEngine menggunakan AlloyDBEngine.from_instance().
  • Membuat AlloyDBReader.
  • Memuat Dokumen menggunakan argumen table_name.
  • Memuat Dokumen menggunakan kueri SQL.
  • Menetapkan format konten halaman.
  • Memuat dokumen.

Langkah berikutnya