索引全景：不止向量索引

索引 = 数据的组织方式

同样一批 Node，组织方式不同，检索形态就不同。LlamaIndex 把"组织方式"抽象成了多种索引：

• VectorStoreIndex（最常用）：每个 Node 嵌入成向量，按语义相似度检索 —— 标准 RAG 首选；
• SummaryIndex（原 ListIndex）：顺序保存全部 Node，查询时遍历所有块让模型总结 —— 适合"全文总结"类任务，与查询内容无关；
• TreeIndex：自底向上把 Node 逐层摘要成树，查询时沿树下行 —— 适合长文档的层次化概览；
• KeywordTableIndex：从每个 Node 抽取关键词建倒排表 —— 关键词匹配型查询；
• KnowledgeGraphIndex：抽取实体关系构建知识图谱索引 —— 多跳关系推理场景（成本较高）。

组合玩法：多索引协作

同一份文档可以同时建 VectorStoreIndex（细粒度问答）与 SummaryIndex（整体摘要），再用路由器（Router）按问题类型分发：问细节走向量、要总结走向量列表 —— 这是 LlamaIndex 处理复杂知识库的惯用招式。

选型口诀

默认向量索引；要全文总结用 Summary；文档极长且要结构化概览试 Tree；实体关系密集再上图 —— 不要为了炫技上图。