> ## Documentation Index > Fetch the complete documentation index at: https://docs.venice.ai/llms.txt > Use this file to discover all available pages before exploring further. # LlamaIndex > ابنِ خطوط أنابيب RAG والوكلاء ومحركات الاستعلام باستخدام LlamaIndex عبر نماذج الدردشة والتضمينات الخاصة والمتوافقة مع OpenAI من Venice من خلال عميل OpenAILike. [LlamaIndex](https://www.llamaindex.ai/) هو إطار عمل للبيانات لبناء خطوط أنابيب RAG والوكلاء ومحركات الاستعلام فوق بياناتك الخاصة. يعمل Venice كخلفية متوافقة مع OpenAI — وجّه عملاء LLM والتضمينات في `OpenAILike` إلى عنوان URL الأساسي لـ Venice واستمر في استخدام بقية واجهة LlamaIndex كالمعتاد. ## المتطلبات المسبقة * Python 3.9 أو أحدث * [مفتاح Venice API](/guides/getting-started/generating-api-key) ## الإعداد ثبّت LlamaIndex مع تكاملات LLM والتضمينات المتوافقة مع OpenAI: ```bash pip theme={"system"} pip install llama-index llama-index-llms-openai-like llama-index-embeddings-openai-like ``` ```bash uv theme={"system"} uv add llama-index llama-index-llms-openai-like llama-index-embeddings-openai-like ``` أضف مفتاح Venice API إلى البيئة: ```bash theme={"system"} export VENICE_API_KEY=your-venice-api-key ``` احتفظ بمفاتيح API خارج نظام التحكم بالمصدر. فضّل استخدام متغيرات البيئة أو مدير أسرار في الإنتاج. ## تهيئة Venice كنموذج LLM يتحدث Venice بواجهة OpenAI Chat Completions API. استخدم `OpenAILike` مع عنوان URL الأساسي لـ Venice واضبط `is_chat_model=True`: ```python theme={"system"} import os from llama_index.llms.openai_like import OpenAILike llm = OpenAILike( model="venice-uncensored", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], is_chat_model=True, is_function_calling_model=True, context_window=32768, temperature=0.7, ) response = llm.complete("Explain zero data retention in two sentences.") print(str(response)) ``` اضبط `context_window` ليطابق النموذج الذي تختاره — لا يستطيع `OpenAILike` استنتاجه لمعرفات النماذج غير الخاصة بـ OpenAI. اضبط `is_function_calling_model=True` فقط للنماذج التي تدعم [استدعاء الدوال](/guides/features/function-calling). ### رسائل الدردشة ```python theme={"system"} from llama_index.core.llms import ChatMessage messages = [ ChatMessage(role="system", content="You are a concise, privacy-respecting assistant."), ChatMessage(role="user", content="Why does uncensored inference matter for research?"), ] response = llm.chat(messages) print(response.message.content) ``` ## البث المباشر ```python theme={"system"} for chunk in llm.stream_complete("Write a haiku about decentralization."): print(chunk.delta, end="", flush=True) ``` ## الإعدادات الافتراضية العامة عبر Settings اضبط نماذج Venice مرة واحدة عبر `Settings` وسيستخدمها كل فهرس ومحرك استعلام ووكيل: ```python theme={"system"} import os from llama_index.core import Settings from llama_index.llms.openai_like import OpenAILike from llama_index.embeddings.openai_like import OpenAILikeEmbedding Settings.llm = OpenAILike( model="zai-org-glm-5-1", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], is_chat_model=True, is_function_calling_model=True, context_window=32768, ) Settings.embed_model = OpenAILikeEmbedding( model_name="text-embedding-bge-m3", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], ) ``` ## التضمينات ```python theme={"system"} import os from llama_index.embeddings.openai_like import OpenAILikeEmbedding embed_model = OpenAILikeEmbedding( model_name="text-embedding-bge-m3", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], ) vector = embed_model.get_text_embedding("Venice AI provides private inference.") print(f"Embedding dimension: {len(vector)}") ``` ## خط أنابيب RAG ابنِ محرك استعلام مدعوم بالاسترجاع فوق مستنداتك. يستخدم هذا `Settings.llm` و`Settings.embed_model` المُهيَّأَين أعلاه: ```python theme={"system"} from llama_index.core import Document, VectorStoreIndex documents = [ Document(text="Venice AI provides private, uncensored AI inference with zero data retention."), Document(text="The Venice API is OpenAI-compatible, supporting chat, images, audio, video, and embeddings."), Document(text="Venice supports function calling, structured outputs, web search, and reasoning models."), Document(text="Privacy tiers include Private (zero retention) and Anonymized (third-party processed)."), ] index = VectorStoreIndex.from_documents(documents) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("What privacy tiers does Venice offer?") print(str(response)) ``` لتحميل ملفاتك الخاصة من مجلد بدلاً من ذلك، استخدم `SimpleDirectoryReader`: ```python theme={"system"} from llama_index.core import SimpleDirectoryReader, VectorStoreIndex documents = SimpleDirectoryReader("./data").load_data() index = VectorStoreIndex.from_documents(documents) ``` ## الوكلاء والأدوات استخدم `FunctionAgent` لمنح نماذج Venice وصولاً إلى الأدوات. اختر نموذجاً يدعم [استدعاء الدوال](/guides/features/function-calling): ```python theme={"system"} import asyncio import os from llama_index.core.agent.workflow import FunctionAgent from llama_index.llms.openai_like import OpenAILike def get_venice_model_price(model_id: str) -> str: """Get the pricing for a Venice AI model.""" prices = { "venice-uncensored": "Input: $0.20/1M, Output: $0.90/1M", "zai-org-glm-5-1": "Input: $1.75/1M, Output: $5.50/1M", "qwen3-5-9b": "Input: $0.10/1M, Output: $0.15/1M", } return prices.get(model_id, f"Model {model_id} not found in price list.") llm = OpenAILike( model="zai-org-glm-5-1", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], is_chat_model=True, is_function_calling_model=True, context_window=32768, ) agent = FunctionAgent( tools=[get_venice_model_price], llm=llm, system_prompt="You help users find the right Venice AI model. Use tools when needed.", ) async def main() -> None: response = await agent.run("How much does zai-org-glm-5-1 cost?") print(str(response)) asyncio.run(main()) ``` ## المخرجات المنظمة غلّف نموذج LLM باستخدام `as_structured_llm` للتحقق من الإجابة النهائية مقابل نموذج Pydantic: ```python theme={"system"} import os from pydantic import BaseModel, Field from llama_index.core.llms import ChatMessage from llama_index.llms.openai_like import OpenAILike class PrivacySummary(BaseModel): summary: str = Field(description="One-sentence overview") benefits: list[str] = Field(description="Key privacy benefits") recommendation: str = Field(description="When to choose this approach") llm = OpenAILike( model="zai-org-glm-5-1", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], is_chat_model=True, is_function_calling_model=True, context_window=32768, ) structured_llm = llm.as_structured_llm(PrivacySummary) result = structured_llm.chat([ ChatMessage(role="user", content="Summarize why private inference beats providers that retain chat logs."), ]) summary = result.raw print(summary.summary) print(summary.benefits) ``` تصفّح النماذج التي تدعم [الاستجابات المنظمة](/guides/features/structured-responses) قبل الاعتماد على المخرجات المنظمة في الإنتاج. ## المعاملات الخاصة بـ Venice مرّر الخيارات الخاصة بـ Venice عبر `additional_kwargs` باستخدام `extra_body`. على سبيل المثال، فعّل البحث المدمج على الويب باستخدام `venice_parameters`: ```python theme={"system"} import os from llama_index.llms.openai_like import OpenAILike llm = OpenAILike( model="venice-uncensored", api_base="https://api.venice.ai/api/v1", api_key=os.environ["VENICE_API_KEY"], is_chat_model=True, context_window=32768, additional_kwargs={ "extra_body": { "venice_parameters": { "enable_web_search": "auto", } } }, ) response = llm.complete("What are notable AI privacy developments this week?") print(str(response)) ``` يمكنك أيضاً تمرير `extra_body` لكل طلب: ```python theme={"system"} response = llm.complete( "Summarize today's headlines about decentralized AI.", extra_body={"venice_parameters": {"enable_web_search": "on"}}, ) ``` راجع [مواصفات API](/api-reference/api-spec) للاطلاع على قائمة `venice_parameters` الكاملة (تجريف الويب، الاستشهادات، الشخصيات، عناصر التحكم بالتفكير، ومفاتيح التشفير من طرف إلى طرف). ## النماذج الموصى بها | حالة الاستخدام | النموذج | السبب | | ------------------------- | -------------------------------- | ---------------------------- | | الاستعلامات العامة | `venice-uncensored` | سريع، رخيص، غير خاضع للرقابة | | الوكلاء / استدعاء الأدوات | `zai-org-glm-5-1` | نموذج رائد خاص قوي للوكلاء | | التفكير المعقد | `zai-org-glm-5-1` | تخطيط متعدد الخطوات أفضل | | التضمينات (RAG) | `text-embedding-bge-m3` | تضمينات خاصة | | اقتصادي / حجم عالٍ | `qwen3-5-9b` | تكلفة منخفضة لكل رمز | | وكلاء يركزون على الكود | `qwen3-coder-480b-a35b-instruct` | محسّن للكود | معرفات النماذج تتغير مع مرور الوقت — تأكد من المعرفات الحالية عبر [`GET /models`](/api-reference/endpoint/models/list) أو [نظرة عامة على النماذج](/models/overview). ## ميزة الخصوصية يُستخدم LlamaIndex عادةً لبناء أنظمة RAG فوق المستندات الخاصة وقواعد المعرفة الداخلية وبيانات المستخدمين. اقترانه بـ Venice يُبقي هذا الخط على استدلال خاص وغير خاضع للرقابة: * **عدم الاحتفاظ بالبيانات** على النماذج الخاصة — لا يتم الاحتفاظ بالمطالبات ولا بالأجزاء المسترجعة ولا بحمولات الأدوات بعد الطلب * **تحليل غير خاضع للرقابة** عندما قد تتسبب بياناتك أو أسئلتك في تفعيل فلاتر مزودين آخرين * **بنية متوافقة مع OpenAI** حتى تتمكن من ترحيل تطبيقات LlamaIndex الحالية باستبدال عملاء LLM والتضمينات بـ `OpenAILike` ## استكشاف الأخطاء وإصلاحها تأكد من ضبط `VENICE_API_KEY` في العملية التي تشغّل تطبيقك. أعد تشغيل الصدفة أو العملية بعد تغيير متغيرات البيئة. استخدم معرّف نموذج حالياً من [صفحة النماذج](/models/overview). اضبط `api_base` إلى `https://api.venice.ai/api/v1` بدون مسار زائد — يضيف LlamaIndex `/chat/completions` تلقائياً. لا يستطيع `OpenAILike` استنتاج نافذة السياق لمعرفات النماذج غير الخاصة بـ OpenAI. اضبط `context_window` صراحةً ليطابق النموذج الذي تستخدمه. اضبط `is_function_calling_model=True` واختر نموذجاً يدعم [استدعاء الدوال](/guides/features/function-calling). اجعل سلاسل توثيق الأدوات دقيقة — يبني LlamaIndex مخططات JSON من التواقيع والتوثيق. الفهارس ومحركات الاستعلام والوكلاء وسير العمل تصفح النماذج والقدرات المدعومة