# 使用 LlamaIndex 与 pgvecto.rs 构建 RAG 流水线

> 在本篇博客中，我们将展示如何使用 pgvecto.rs 和 LlamaIndex 构建一套完整的 RAG 流水线。

---

LLMS 索引： [llms.txt](/zh/llms.txt)

---

LlamaIndex 是一个简单、灵活的数据框架，用于将自定义数据源连接到大语言模型（LLM）。

[`pgvecto.rs`](/zh/pgvecto-rs/) 提供了 LlamaIndex 集成，允许你快速检索最相似的向量。在本篇博客中，我们将向你展示如何使用 pgvecto.rs 和 LlamaIndex 构建一套 RAG 流水线。

## **安装依赖** {#install-dependencies}

使用 LlamaIndex 集成需要安装以下依赖项：

```bash
pip install llama-index "pgvecto_rs[sdk]"
```

你可以在 Docker 容器中启动安装了 `pgvecto.rs` 扩展的 Postgres 实例：

```bash
docker run \
  --name pgvecto-rs-demo \
  -e POSTGRES_PASSWORD=mysecretpassword \
  -p 5432:5432 \
  -d tensorchord/pgvecto-rs:pg16-v0.2.0
```

然后，你可以使用 `psql` 命令行工具连接到数据库。默认用户名为 `postgres`，默认密码为 `mysecretpassword`。

```bash
psql postgresql://postgres:mysecretpassword@localhost:5432/postgres
```

运行以下 SQL 以确保扩展已启用：

```sql
DROP EXTENSION IF EXISTS vectors;
CREATE EXTENSION vectors;
```

## **创建数据库并加载文档** {#create-the-database-and-load-documents}

首先，配置数据库连接并初始化客户端。我们将使用 Markdown 文件 [**pgvecto-rs/getting-started/overview.md**](/zh/pgvecto-rs/getting-started/overview/) 作为示例文档。

```python
import logging
import os
import sys

logging.basicConfig(stream=sys.stdout, level=logging.INFO)
logging.getLogger().addHandler(logging.StreamHandler(stream=sys.stdout))

from pgvecto_rs.sdk import PGVectoRs

URL = "postgresql+psycopg://{username}:{password}@{host}:{port}/{db_name}".format(
    port=os.getenv("DB_PORT", "5432"),
    host=os.getenv("DB_HOST", "localhost"),
    username=os.getenv("DB_USER", "postgres"),
    password=os.getenv("DB_PASS", "mysecretpassword"),
    db_name=os.getenv("DB_NAME", "postgres"),
)

client = PGVectoRs(
    db_url=URL,
    collection_name="example",
    dimension=1536,  # Using OpenAI’s text-embedding-ada-002
)
```

接着，设置 OpenAI API 密钥并将文档加载到数据库中：

```python
import os

os.environ["OPENAI_API_KEY"] = "sk-..."

from llama_index import SimpleDirectoryReader, VectorStoreIndex
from llama_index.vector_stores import PGVectoRsStore

# load documents
documents = SimpleDirectoryReader("./src/getting-started/overview.md").load_data()

# initialize without metadata filter
from llama_index.storage.storage_context import StorageContext

vector_store = PGVectoRsStore(client=client)
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(
    documents, storage_context=storage_context
)
```

### **查询索引** {#query-index}

最后，我们可以检索最相似的文本片段并生成回答：

```python
# set Logging to DEBUG for more detailed outputs
query_engine = index.as_query_engine()
response = query_engine.query("What did the author do growing up?")
```