第三方工具更新 2026.11.15

LlamaIndex 教學:用 MockEmbedding 核對文件與節點

LlamaIndex 可把文件整理成檢索用節點。

LlamaIndex 可把文件整理成檢索用節點。本例只安裝 llama-index-core,用官方 MockEmbedding 建立兩份合成文件的索引,核對取回節點仍帶著原始文件 id 與文字。

這次隔離測試驗證什麼

兩份文件都取回,且分數同為 1.0,這是固定假嵌入下的結果,不能當成語意排序品質。這種測試適合先找出漏文件、id 對不回來源或文字缺漏,再另接實際嵌入模型。

以下是實際保存的合成資料輸出,不是模型效能評比。

{
  "nodes": [
    {
      "id": "note32",
      "text": "Dispatch NOTE-32 leaves at 16:45.",
      "score": 1.0
    },
    {
      "id": "note31",
      "text": "Dispatch NOTE-31 leaves at 08:30.",
      "score": 1.0
    }
  ]
}

重現這個小任務

紀錄使用 Linux 與 Python 3.12。安裝需要下載公開套件,核心執行階段無外網;未測試 Windows shell。請在可拋棄的環境執行範例。

python -m pip install llama-index-core==0.14.26
import sys,json,traceback,importlib.metadata as meta,pathlib,asyncio,subprocess,os
SLUG='llama-index'
def emit(package,checks,observations,**kw):
    print(json.dumps({'checks':checks,'observations':observations},ensure_ascii=False,default=str,indent=2))
def llama():
    from llama_index.core import Document,Settings,VectorStoreIndex
    from llama_index.core.embeddings import MockEmbedding
    Settings.embed_model=MockEmbedding(embed_dim=4);Settings.llm=None
    idx=VectorStoreIndex.from_documents([Document(text='Dispatch NOTE-31 leaves at 08:30.',id_='note31'),Document(text='Dispatch NOTE-32 leaves at 16:45.',id_='note32')]);r=idx.as_retriever(similarity_top_k=2).retrieve('dispatch');ids=[x.node.ref_doc_id for x in r]
    emit('llama-index-core',dict(two_nodes=len(r)==2,source_ids=set(ids)=={'note31','note32'},text_retained=any('08:30' in x.node.text for x in r)),dict(nodes=[{'id':x.node.ref_doc_id,'text':x.node.text,'score':x.score} for x in r]),scope='Document ingestion and retriever wiring with built-in MockEmbedding. Scores are synthetic, not relevance evidence. No answer generation.')
llama()

限制與未測部分

已停用 LLM。未測試生成回答、正式嵌入、外部向量庫、文件格式解析或大型索引。

其他功能依下列固定版本官方文件整理,未本地實測。開源套件不代表代管執行或模型呼叫免費。

來源與測試紀錄

本次由 Codex 在非 root、封鎖外網、無發布憑證的容器執行合成資料測試,不代表站長親測。

實測套件:0.14.26;文件 commit:99d7433f6f71。套件與 README 分別固定,不假定是同一版。測試日期:2026-11-15。

延伸閱讀

訂閱 AI 工具精選與使用建議

有值得推薦的新工具、實測發現或重要更新時,寄到你的信箱。

訂閱後先寄給你一份每月更新的 AI 工具與 Skill 清單。有值得推薦的工具、實測發現或重要更新時才寄信,隨時可以退訂。隱私權說明

快完成了,請到信箱收確認信點信裡的按鈕確認訂閱,就會收到工具清單的下載連結。沒看到的話,看一下垃圾郵件或「促銷內容」分頁。

也可以在這些平台追蹤: