LlamaIndex：轻松构建索引查询本地文档的神器( 四 ) _索引

它仍然正确回答了问题。那么，我们搜索到的内容，在这个过程里面是如何提交给的呢？我们就来看看下面的这段代码就知道了。
from llama_index import Promptquery_str = "鲁迅先生去哪里学的医学？"DEFAULT_TEXT_QA_PROMPT_TMPL = ("Context information is below. \n""---------------------\n""{context_str}""\n---------------------\n""Given the context information and not prior knowledge, ""answer the question: {query_str}\n")QA_PROMPT = Prompt(DEFAULT_TEXT_QA_PROMPT_TMPL)query_engine = index.as_query_engine(text_qa_template=QA_PROMPT)response = query_engine.query(query_str)print(response)
这段代码里，我们定义了一个的对象，并且为它设计了一个模版。
1）、这个模版的开头，我们告诉 AI，我们为 AI 提供了一些上下文信息（）。
2）、模版里面支持两个变量，一个叫做，另一个叫做。的地方，在实际调用的时候，会被通过相似度找出来的内容填入。而则是会被我们实际提的问题替换掉。
3）、实际提问的时候，我们告诉 AI，只考虑上下文信息，而不要根据自己已经有的先验知识（prior ）来回答问题。
我们就是这样，把搜索找到的相关内容以及问题，组合到一起变成一段提示语，让 AI 能够按照我们的要求来回答问题。那我们再问一次 AI，看看答案是不是没有变。
输出结果：
鲁迅先生去仙台的医学专门学校学习医学。
这一次 AI 还是正确地回答出了鲁迅先生是去仙台的医学专门学校学习的。我们再试一试，问一些不相干的问题，会得到什么答案，比如我们问问西游记的作者是谁。
QA_PROMPT_TMPL = ("下面的“我”指的是鲁迅先生 \n""---------------------\n""{context_str}""\n---------------------\n""根据这些信息，请回答问题: {query_str}\n""如果您不知道的话，请回答不知道\n")QA_PROMPT = Prompt(QA_PROMPT_TMPL)query_engine = index.as_query_engine(text_qa_template=QA_PROMPT)response = query_engine.query("请问西游记的作者是谁？")print(response)
输出结果：
不知道
可以看到，AI 的确按照我们的指令回答不知道，而不是胡答一气。
六、如何使用生成文档摘要总结
还有一个常见的使用 llama-index 的库的应用场景，就是生成文章摘要。前面我们已经介绍过使用适当的提示语（）来完成文本聚类。然而，如果要总结一篇论文甚至一本书，由于由于的API接口最多只能支持4096个Token，显然是不够用的。
为了解决这个问题。我们可以通过对文本进行分段小结，并对这些小结再次进行总结来达到目的。可以将文章或书籍构建成一个树状索引，其中每个节点代表其子节点内容的摘要。最后，在整棵树的根节点处就可以得到整篇文章或整本书的总结。
事实上，llama-index 本身就内置了这样的功能。下面我们就来看看要实现这个功能，我们的代码应该怎么写。
首先，我们先来安装一下 spaCy 这个库，并且下载一下对应的中文分词分句需要的模型。
pip install spacypython -m spacy download zh_core_web_sm
下面的代码非常简单，我们选择了 llama-index 中最简单的索引结构。但是根据我们的需求，我们做了两个优化。
首先，在索引中，我们指定了一个，这样在向发起请求时，会使用模型。这个模型比较快速、价格也相对较低。默认情况下，llama-index使用的模型是 text--003，其价格比 gpt-3.5-turbo 高出十倍。当我们只进行几轮对话时，这种价格差异还不太明显。但如果你要处理几十本书的内容，成本就会大幅增加。因此，在这里我们设置了模型输出内容不超过1024个Token长度，以确保摘要不会太长，并避免合并无关内容。