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。