[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,172 @@
|
||||
id: wiki-2026-0508-llamaindex
|
||||
title: LlamaIndex
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [LLAMAINDEX-001]
|
||||
aliases: [GPT Index, LlamaIndex Framework]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, rag, llamaindex, data-framework, llm]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [rag, llamaindex, retrieval, indexing, agents]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
tech_stack: { language: python/ts, framework: llama-index }
|
||||
---
|
||||
|
||||
# LlamaIndex (데이터 프레임워크)
|
||||
# LlamaIndex
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "LLM을 당신의 개인 데이터와 연결하는 지능적인 데이터 가교" — 비정형 데이터를 인덱싱하고 최적화된 방식으로 검색하여 LLM의 답변 품질을 높이는 RAG(검색 증강 생성) 특화 프레임워크.
|
||||
## 매 한 줄
|
||||
> **"매 LangChain 이 chain, LlamaIndex 는 index"**. Data → Index → Query Engine, RAG 에 특화된 framework.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 방대한 외부 문서를 작은 단위(Node)로 쪼개고 색인(Index)을 생성하여, 질문과 가장 관련 있는 정보만 골라 프롬프트에 주입하는 RAG 파이프라인 패턴.
|
||||
- **세부 내용:**
|
||||
- **Data Connectors:** PDF, Notion, Slack 등 다양한 소스에서 데이터를 파이싱하고 로드.
|
||||
- **Indices:** 데이터를 검색 가능한 구조(Vector Store, Tree, Keyword 등)로 변환 및 저장.
|
||||
- **Query Engine:** 사용자의 자연어 질문을 쿼리로 변환하여 인덱스에서 정보를 추출하고 답변 생성.
|
||||
- **Synthesizer:** 검색된 여러 조각의 정보를 결합하여 최종적으로 일관성 있는 답변을 구성.
|
||||
## 매 핵심
|
||||
### 매 핵심 추상
|
||||
- **Documents / Nodes**: 원본 → chunked nodes
|
||||
- **Index**: VectorStoreIndex, SummaryIndex, KnowledgeGraphIndex, TreeIndex
|
||||
- **Query Engine**: retriever + synthesizer + (optional) postprocessor
|
||||
- **Agents**: ReAct, OpenAI tool, function calling
|
||||
- **Workflows**: event-driven multi-step (LangGraph 대응)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순한 텍스트 임베딩 검색에서, 최근에는 에이전트적 추론(Agentic RAG)과 멀티모달 인덱싱 기능이 강화되는 추세.
|
||||
- **정책 변화:** Antigravity 프로젝트의 'Knowledge Engine'은 LlamaIndex의 원리를 바탕으로 로컬 위키 데이터를 인덱싱하여 에이전트의 답변 정확도를 보장함.
|
||||
### 매 vs LangChain
|
||||
| | LlamaIndex | LangChain |
|
||||
|---|---|---|
|
||||
| 강점 | RAG 데이터 indexing | Agent / chain orchestration |
|
||||
| 추상 | Index 중심 | Chain/Runnable 중심 |
|
||||
| Eval | LlamaIndex Eval (faithfulness, relevancy) | LangSmith |
|
||||
| 권장 | RAG 헤비 | 다양한 tool/agent |
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[RAG|RAG]], Vector-Database, LangChain, [[In-Context-Learning|In-Context-Learning]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/LlamaIndex.md
|
||||
### 매 응용
|
||||
1. 사내 docs Q&A
|
||||
2. Code RAG (repo 전체 indexing)
|
||||
3. Multi-doc summarization
|
||||
4. Knowledge graph + RAG hybrid
|
||||
5. Agentic RAG (자가 query 재작성)
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Pattern 1: Vector index basic
|
||||
```python
|
||||
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
|
||||
from llama_index.llms.anthropic import Anthropic
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
docs = SimpleDirectoryReader("./data").load_data()
|
||||
index = VectorStoreIndex.from_documents(docs)
|
||||
qe = index.as_query_engine(llm=Anthropic(model="claude-opus-4-7"), similarity_top_k=5)
|
||||
print(qe.query("회사 휴가 정책 요약"))
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Pattern 2: Persistent vector store (Chroma)
|
||||
```python
|
||||
import chromadb
|
||||
from llama_index.vector_stores.chroma import ChromaVectorStore
|
||||
from llama_index.core import StorageContext
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
client = chromadb.PersistentClient(path="./chroma")
|
||||
collection = client.get_or_create_collection("docs")
|
||||
vs = ChromaVectorStore(chroma_collection=collection)
|
||||
storage = StorageContext.from_defaults(vector_store=vs)
|
||||
index = VectorStoreIndex.from_documents(docs, storage_context=storage)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Pattern 3: Hybrid retrieval (vector + BM25)
|
||||
```python
|
||||
from llama_index.retrievers.bm25 import BM25Retriever
|
||||
from llama_index.core.retrievers import QueryFusionRetriever
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
vec_r = index.as_retriever(similarity_top_k=5)
|
||||
bm25_r = BM25Retriever.from_defaults(nodes=index.docstore.docs.values(), similarity_top_k=5)
|
||||
fusion = QueryFusionRetriever([vec_r, bm25_r], num_queries=1, mode="reciprocal_rerank")
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Pattern 4: Re-ranker (Cohere)
|
||||
```python
|
||||
from llama_index.postprocessor.cohere_rerank import CohereRerank
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
reranker = CohereRerank(top_n=3)
|
||||
qe = index.as_query_engine(node_postprocessors=[reranker], similarity_top_k=20)
|
||||
# 20 후보 → rerank → top 3
|
||||
```
|
||||
|
||||
### Pattern 5: Sub-question for multi-doc
|
||||
```python
|
||||
from llama_index.core.query_engine import SubQuestionQueryEngine
|
||||
from llama_index.core.tools import QueryEngineTool
|
||||
|
||||
tools = [
|
||||
QueryEngineTool.from_defaults(query_engine=qe_a, name="finance"),
|
||||
QueryEngineTool.from_defaults(query_engine=qe_b, name="hr"),
|
||||
]
|
||||
sub = SubQuestionQueryEngine.from_defaults(query_engine_tools=tools)
|
||||
sub.query("작년 인건비 대비 헤드카운트 변화는?")
|
||||
```
|
||||
|
||||
### Pattern 6: Eval (faithfulness)
|
||||
```python
|
||||
from llama_index.core.evaluation import FaithfulnessEvaluator
|
||||
ev = FaithfulnessEvaluator(llm=Anthropic(model="claude-opus-4-7"))
|
||||
resp = qe.query("X 가 무엇?")
|
||||
result = ev.evaluate_response(response=resp)
|
||||
assert result.passing # answer grounded in retrieved context?
|
||||
```
|
||||
|
||||
### Pattern 7: Agent with tools
|
||||
```python
|
||||
from llama_index.core.agent import ReActAgent
|
||||
agent = ReActAgent.from_tools([search_tool, calc_tool], llm=Anthropic(...))
|
||||
agent.chat("작년 매출 대비 올해 성장률?")
|
||||
```
|
||||
|
||||
### Pattern 8: Workflow (event-driven)
|
||||
```python
|
||||
from llama_index.core.workflow import Workflow, step, Event
|
||||
|
||||
class RetrieveEvent(Event): query: str
|
||||
class GenEvent(Event): nodes: list
|
||||
|
||||
class RagFlow(Workflow):
|
||||
@step
|
||||
async def retrieve(self, ev: RetrieveEvent) -> GenEvent:
|
||||
return GenEvent(nodes=retriever.retrieve(ev.query))
|
||||
@step
|
||||
async def generate(self, ev: GenEvent):
|
||||
return synthesize(ev.nodes)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
|
||||
| 상황 | Tool |
|
||||
|---|---|
|
||||
| RAG 가 메인 | LlamaIndex |
|
||||
| 복잡한 agent / tool 오케스트레이션 | LangChain / LangGraph |
|
||||
| Production simple RAG | LlamaIndex + Chroma/Qdrant |
|
||||
| Multi-doc 합성 | SubQuestionQueryEngine |
|
||||
| 정확도 push | hybrid + reranker |
|
||||
|
||||
**기본값**: VectorStoreIndex + Chroma + Cohere rerank + faithfulness eval.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[RAG]]
|
||||
- 변형: [[LangChain]], [[Haystack]]
|
||||
- 응용: [[Vector_Database]], [[Embedding]]
|
||||
- Adjacent: [[LLM_Ops_and_Tuning]], [[Prompt_Engineering]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: doc Q&A, code RAG, multi-doc summarization.
|
||||
**언제 X**: 단일 prompt 로 충분 (RAG overkill), real-time chat 만 필요 (index 비용).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- Chunk size 무조건 default → recall 저하
|
||||
- Re-rank 안 함 → 상위 k 노이즈
|
||||
- Eval 없이 prod → silent quality drop
|
||||
- 모든 doc 한 index → namespace 분리 안하면 권한/품질 혼탁
|
||||
- VectorStoreIndex 만 사용, BM25 안 섞음 → keyword query 약함
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (LlamaIndex docs, ChromaDB, Cohere rerank). 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — vs LangChain, hybrid+rerank+eval patterns |
|
||||
|
||||
Reference in New Issue
Block a user