各位 Llama 爱好者们 🦙 大家好！

又一个星期飞逝而过，我们带着一篇内容丰富的快讯回来啦！其中包含了关于黑客马拉松、指南、集成、新功能、网络研讨会、教程、博客和演示的最新消息。如果您有值得关注的项目、博文或视频，我们非常乐意推荐！请通过 news@llamaindex.ai 联系我们。

额外福利：您现在可以直接在收件箱中获取所有这些更新！只需访问我们的主页并订阅我们的电子邮件更新即可。

🤩 首先，重点介绍：

1. AI.Engineer Summit：在 AI.Engineer Summit 大会上，Jerry Liu 讨论了 RAG 应用，Simon 主持了关于 RAG 应用优化的研讨会（Jerry 的幻灯片，Simon 的幻灯片）
2. Text to pgVector：我们推出了 PGVectorSQLQueryEngine，用于在 PostgreSQL 上进行 SQL 和向量联合查询。（文档，推文）
3. Hugging Face 集成：集成了 HuggingFace 的文本嵌入推理服务器，用于高速、大规模的 BERT 模型服务。（文档，推文）
4. 多文档代理：新的 V1 代理支持高级多文档检索和异步查询规划。（文档，推文）
5. 非结构化解析：推出了 UnstructuredElementNodeParser，这是一个使用 UnstructuredIO 对嵌入式表格/文本进行分层解析的工具。（文档，推文）
6. LLM 兼容性：我们对不同任务下的 LLM 性能进行了图表分析，发现 Zephyr-7b-alpha 模型在高级 RAG 任务中表现突出，是性能最佳的 7B 模型。（文档）

🏆 恭喜我们的 AGI House 黑客马拉松获奖者！

我们乐于看到大家使用 LlamaIndex 构建出色的作品！

构建类

1. Demostify
2. Stick with Fit, SafeQuery, Cherry

突破类

• Fuzzy Access

测试类

• X-Ray Insight

荣誉奖

• KindleGPT
• PenTest

🎤 LlamaIndex 在 AI.Engineer Summit

1. Jerry Liu 发表了关于构建生产级 RAG 应用的演讲。幻灯片。
2. Simon 主持了关于使用 LlamaIndex 构建、评估和优化生产级 RAG 应用的研讨会。幻灯片，代码。

🗺️ 指南

1. LLM 兼容性跟踪：我们对不同任务下的 LLM 性能进行了图表分析，显示 zephyr-7b-alpha 是目前唯一在高级 RAG/Agentic 任务中表现出色的 7B 模型。文档。
2. 评估：调整分块大小对于 RAG 应用至关重要。拥有更多的分块不一定更好，并且重新排序可能适得其反。为了进行微调，请尝试不同的分块大小和 top-k 值。Arize AI 团队提供了一份指南，帮助您使用 Arize AI Phoenix 和 Llama Index 进行评估。幻灯片，Notebook。

✍️ 教程

1. Shahul 的教程演示了如何为您的数据选择最佳嵌入，强调了检索器性能和嵌入质量对于使用 LlamaIndex 和 RAGAS 库构建的 RAG 系统的效率至关重要。
2. Wenqi Glantz 的关于 RAG 管道评估驱动开发的教程。
3. Wenqi Glantz 的关于在 RAG 管道中掩盖 PII 数据的教程。
4. 来自 Vectara 的 Ofer Mendelevitch 发表了关于使用 LlamaIndex 进行检索增强生成（RAG）的教程，比较了 Vectara 新的 Boomerang 模型与 OpenAI 和 Cohere 的模型。
5. 来自 AssemblyAI 的 Patrick Loeber 发表了关于构建 LlamaIndex 音频应用的教程。
6. Pradip Nichite 制作了关于使用 LlamaIndex 进行 NL2SQL 的教程：使用自然语言查询数据库。
7. Mayo Oshin 发表了关于如何比较多个大型 PDF 文件的教程。
8. Sudarshan Koirala 制作了关于使用 LlamaIndex 和 Pinecone 与文档聊天的教程。

💡 演示

• Siva Surendira 构建了 YC Bot，以便从您喜爱的 YC 导师那里获得即时创业建议。

✨ 功能发布与增强

1. Text to pgVector：我们推出了 PGVectorSQLQueryEngine，它允许您同时使用完整 SQL 和向量搜索来查询 PostgreSQL 数据库。文档，推文。
2. 多文档代理：我们引入了多文档代理 (V1)，它们现在可以在多个文档中进行检索并异步规划查询，提供优于标准 RAG 的分析能力。文档，推文。
3. UnstructuredIO：我们与 UnstructuredIO 合作增强 LLM/RAG 应用。通过从 PDF 中提取表格，我们改进了超越基本向量索引的查询方法，尤其对于表格相关的问题，实现了混合查询和跨文档比较。文档，推文。
4. UnstructuredElementNodeParser：超越基本文本分割，我们引入了 UnstructuredElementNodeParser。它使用 UnstructuredIO 在数据图中对嵌入式表格/文本进行分层建模。文档，推文。
5. 交叉编码器微调：交叉编码器通过优化嵌入后的搜索结果来增强 RAG。使用 LlamaIndex，您现在可以在任何文档上微调交叉编码器，从而提升性能。文档，推文。

⚙️ 集成与协作

1. Assembly AI：我们引入了一个新的数据读取器，用于与 AssemblyAI 集成音频数据。该集成允许轻松加载音频，并促进构建向量存储索引和查询引擎以进行查询。文档，推文。
2. Nougat — MetaAI：我们集成了 Nougat，这是 Meta 开发的一款出色的 OCR 工具，擅长解释科学论文，特别是数学符号和 LaTeX，并将其作为 LlamaHub 中的加载器，从而简化了 RAG 管道中 ArXiv 论文的处理流程。文档，推文。
3. Hugging Face-文本嵌入推理：我们集成了 HuggingFace 新推出的文本嵌入推理服务器，该服务器提供生产规模的服务，对所有 BERT 模型提供分布式跟踪，且速度惊人。文档，推文。

🎥 网络研讨会和播客

1. 与 Timescale 合作举办关于 RAG 基于时间检索的网络研讨会。
2. 与 Omar Khattab 和 Thomas Joshi 合作举办关于 DSPy 的网络研讨会——这是一个强调编程而非提示的 LLM 框架。
3. Jerry Liu 在 Latent Space 上的播客，讲述 LlamaIndex 的起源故事、微调等内容。