通过GraphQL和图数据库丰富LlamaIndex模型
内容提要
本文介绍了如何为LlamaIndex添加新的数据加载器，包括CSV加载器和图数据库加载器，并通过示例展示了如何利用这些加载器提升大型语言模型（LLM）的回答质量。此外，作者分享了添加GraphQL加载器的过程，强调了LlamaIndex的灵活性和多样性。
延伸解读
加载器设计：YAML 输出与灵活字段处理
作者新增的图数据库和 GraphQL 加载器，与现有加载器的主要区别在于不硬编码字段名，而是将查询结果转为 YAML 格式。YAML 接近嵌套键值对的文本表示，便于 LLM 理解复杂结构。这种设计提高了通用性，但可能增加文本长度，影响检索效率。
图数据库加载器：Cypher 查询与文档生成
图数据库加载器使用 Cypher 查询语言，通过 neo4j 驱动连接数据库。load_data 方法执行查询，并将每行结果转为 YAML 格式的 Document。示例中查询电影图数据库，返回 829 个文档，LLM 能基于这些上下文总结动作片常见情节。
GraphQL 加载器：结构化 API 数据转换
GraphQL 加载器允许通过 API 查询语言获取结构化数据。示例使用 countries.trevorblades.com 端点，查询各大洲及其国家首都，每个大洲结果转为一份文档。LLM 能回答北美首都问题，但查询方向不同可能导致回答范围差异。
实践观察：查询方向影响 LLM 回答范围
在 GraphQL 示例中，先查询大洲再获取国家，LLM 列出了 27 个北美首都；而反转查询先获取所有国家，LLM 仅回答华盛顿和墨西哥城。作者推测这可能与索引提供的文档数量有关，提示加载器查询设计可能影响最终回答的完整性。
Q&A
LlamaIndex是什么？
LlamaIndex是一个工具包，用于通过上下文学习增强大型语言模型（LLM），支持从多个数据源获取数据。
如何为LlamaIndex添加新的数据加载器？
添加新加载器的过程简单，可以通过运行脚本来创建加载器的骨架文件，并实现所需的功能。
GraphQL加载器的作用是什么？
GraphQL加载器允许用户通过API查询语言获取结构化数据，并将其转换为文档供LLM使用。
LlamaIndex支持哪些类型的索引？
LlamaIndex支持多种索引类型，包括基于向量搜索的嵌入索引、简单列表索引和图形或树结构索引。
使用CSV加载器时，如何提供文档给LlamaIndex？
可以使用基本的CSV加载器加载CSV文件，并将其转换为LlamaIndex文档，以供后续查询使用。
图数据库加载器如何处理复杂关系数据？
图数据库加载器使用Cypher查询语言，能够处理复杂的关系数据，并将结果转换为LlamaIndex文档。
