现象：
File "~/anaconda3/envs/leo_py38/lib/python3.8/site-packages/httpx/_transports/default.py", line 86, in map_httpcore_exceptions raise mapped_exc(message) from exc httpx.ReadTimeout: timed out 代码：
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings from llama_index.embeddings.huggingface import HuggingFaceEmbedding from llama_index.llms.ollama import Ollama ###定义使用的llm，embedding 模型 llm = Ollama(model="yi:34b") embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-large-zh-v1.5") Settings.llm = llm Settings.embed_model = embed_model ## 加载文档 documents = SimpleDirectoryReader("../../data").load_data() print("documents: ", len(documents)) ## 构建index index = VectorStoreIndex.from_documents(documents, show_progress=True) ## 构建query engine query_engine = index.as_query_engine() query = "身长九尺，髯长二尺的人是谁？" ## query response = query_engine.query(query) print(f"query:{query}") print(f"查询结果：{response}") 解决办法是增加timeout时长
llm = Ollama(model="yi:34b", request_timeout=500) 总结
### 文章总结**现象描述**：
当执行基于`llama_index`库的文本检索代码时，出现了HTTP超时错误（`httpx.ReadTimeout: timed out`）。这一错误指出在请求过程中，预设的等待时间内未能成功完成HTTP请求，导致超时异常。
**代码分析**：
代码主要流程包括设置使用的LLM（大型语言模型）和embedding模型，加载文档数据，进而构建向量索引以及查询引擎，并最终执行一个文本查询。错误发生在模型请求过程中，可能由于网络延迟、模型响应慢等原因导致。
**解决方法**：
针对上述问题，通过在初始化LLM（Language Model，语言模型）时增加`request_timeout`参数，并设置一个更长的等待时间（例如500秒），来解决HTTP超时问题。这一方法通过延长请求的超时时间来保证模型有足够的时间响应，从而避免超时异常的发生。
**关键修改**：
```python
llm = Ollama(model="yi:34b", request_timeout=500) # 增加 request_timeout 参数设置超时时间为500秒
```
**总结建议**：
在处理网络请求或与远程服务交互的编程中，遇到超时错误时，首先应考虑增加超时时间的设置。此外，根据需要和实际情况，可以考虑进一步优化网络配置、升级硬件设备或提升服务端性能等多种手段，来减少此类错误的发生，确保程序的稳定运行和高效响应。 llmllamadocctohuggingface语言模型pythonstore等待时间大型语言模型代码分析llmsapplms
