内容参考于：图灵AI大模型全栈

llamaIndex中有一个全局配置，当我们没有指定模型的时候它会使用全局配置中设置的模型

效果图：

代码

# 导入 LlamaIndex 的全局配置对象 Settings # 核心作用：LlamaIndex 的全局单例配置中心，统一管理大模型、嵌入模型、文本切分等全局参数 # 设计逻辑：一次配置后，后续所有组件（索引、查询引擎、文档加载器等）都会自动复用这里的配置 # 不用每个组件都单独初始化模型，避免重复加载、代码冗余，切换模型也只需要改一处 from llama_index.core import Settings # 导入 Ollama 本地大模型适配类 from llama_index.llms.ollama import Ollama # 导入 HuggingFace 本地嵌入模型适配类 from llama_index.embeddings.huggingface import HuggingFaceEmbedding # ========== 全局配置大模型 ========== # 把初始化好的 Ollama 模型赋值给 Settings.llm # 效果：全局生效，之后所有需要调用大模型的地方（生成回答、总结、提取等）都会自动用这个模型 # 不用再给每个组件单独传 llm 参数，代码更简洁，配置统一 Settings.llm = Ollama( model='qwen2.5:7b', # 指定本地运行的模型名称 request_timeout=120, # 请求超时时间，单位秒 # 强烈建议调大：本地模型生成速度慢，默认超时短很容易中途报错 ) # ========== 全局配置嵌入模型 ========== # 把初始化好的本地嵌入模型赋值给 Settings.embed_model # 效果：全局生效，之后文档入库生成向量、查询生成问题向量，都会自动用这个模型 # 保证入库和查询用的是同一个嵌入模型，向量维度一致，检索不会出问题 Settings.embed_model = HuggingFaceEmbedding( # 本地模型文件路径，指向提前下载好的 bge-m3 模型文件夹 model_name=r"D:\huanjing\ai模型\BAAI\bge-m3", ) # ========== 测试：调用全局大模型 ========== # 直接通过 Settings.llm 调用大模型，验证全局配置是否生效 # complete 是单轮补全接口，输入文本直接返回回答 response = Settings.llm.complete("你好") # 取回答的纯文本内容并打印 print(response.text) # ========== 测试：调用全局嵌入模型 ========== # 直接通过 Settings.embed_model 生成查询向量，验证嵌入模型配置是否生效 embedding = Settings.embed_model.get_query_embedding('你好') # 打印生成的向量数组 print(embedding)