ThinkRAG大模型RAG实战系列文章，带你深入探索使用LlamaIndex框架，构建本地大模型知识库问答系统。本系列涵盖知识库管理、检索优化、模型本地部署等主题，通过代码与实例，讲解如何打造生产级系统，实现本地知识库的快速检索与智能问答。
前文讨论了实现混合检索的方法。当我们把检索到的内容，发送给大模型生成回答时，希望能够快速得到响应。
类似ChatGPT的流式（streaming）输出可以提升用户的体验。
特别是当我们要求大模型输出长文本时，例如：生成一篇2000字文章，用户无需等待生成完毕，即可开始阅读生成的内容。
现在的大语言模型（LLM）基本都支持流式输出。在LlamaIndex中实现方式很简单：我们在构建问答引擎（Query Engine）时，只需要明确设置参数streaming=True即可。
代码实例如下：
from llama_index.core.query_engine import RetrieverQueryEnginequery_engine = RetrieverQueryEngine.from_args(retriever=retriever,text_qa_template=text_qa_template,refine_template=refine_template,node_postprocessors=node_postprocessors,="simple_summarize",verbose=True,streaming=True,)
这时，我们通过query_engine的query方法向大模型提问：“流程有哪三个特征”，该方法会返回一个response对象。
prompt = "流程有哪三个特征？"response = query_engine.query(prompt)response_text = st.write_stream(response.response_gen)
我们将response对象的reponse_gen方法，对接到Streamlit的write_stream方法，就可以接收大模型生成的流式输出，并同步在前端显示了。
该方法的返回值response_text，则是此次流式输出的全文，可以进一步处理或保存到对话记录中。
目前，ThinkRAG已采用流式输出。如果你运行ThinkRAG进行提问，可以看到系统的响应速度非常快，软件记录的时间为0.05秒。
效果如下：
如果，你的LlamaIndex应用不是通过Streamlit输出，而是在终端（console）输出，那么我们直接调用print_response_stream方法即可。
response.print_response_stream()
如果你自行开发软件前端，需要对流式输出进行手动处理，那么可以参考以下方法实现。
for text in response.response_gen:# do something with text as they arrive.pass
文中代码实例，可参考开源项目ThinkRAG。
https://github.com/wzdavid/ThinkRAG
ThinkRAG是基于LlamaIndex框架，前端使用Streamlit开发的大模型本地知识库RAG系统，可在笔记本电脑上部署和离线运行。
