LlamaIndex 是什么、和 LangChain 有什么区别：面向私有数据的 RAG 与智能体开发框架入门

本文根据 LlamaIndex 官方 GitHub 仓库 README 与官网整理，资料核对于 2026-10-11。开源项目变化快，以官方仓库为准。

是什么

LlamaIndex 是一个开源的开发框架，由同名公司 LlamaIndex 开发，仓库 run-llama/llama_index 约有 5.25 万星标，采用 MIT 许可。README 现在的定位是「构建智能体应用的框架」，而它最初出名、至今最擅长的事情是 RAG（检索增强生成）：让大模型基于你自己的文档、数据库、知识库来回答问题。

核心组件

README 列出的几类模块，正好对应一条 RAG 流水线：

• 数据连接器（Data connectors）：从 PDF、网页、数据库、各类 SaaS 里把数据读进来；
• 索引（Indexes）：把数据组织成便于检索的结构，最常见的是向量索引；
• 检索器（Retrievers）：根据问题找出相关片段；
• 查询引擎（Query engines）：把检索到的内容和问题一起交给模型生成答案；
• 智能体（Agents）：让模型自主决定调用哪些工具和数据源；
• Workflows：用事件驱动的方式编排多步骤、多智能体的流程。

和 LangChain 的区别

这是搜索里最常见的问题。简单的区分方式：

• LlamaIndex 从「数据」出发：在文档解析、切分、索引和检索策略上提供的现成方案更多、更细；
• LangChain / LangGraph 从「流程」出发：在通用的组件拼装、有状态的智能体编排上更突出。

两者并不互斥，功能有相当多的重叠，也可以混用。主要做知识库问答的，可以先看 LlamaIndex；主要做复杂智能体流程的，可以先看 LangGraph。

怎么上手

bash
pip install llama-index

这是包含常用集成的入门包；想自己挑选集成，可以只装 llama-index-core 再按需安装模型和向量库的集成包。

学习路径建议：

1. 跑通官方的入门示例：读取一个文件夹里的文档 → 建向量索引 → 提问；
2. 换成自己的文档，观察回答引用了哪些片段；
3. 调整切分大小、检索条数，体会它们对答案质量的影响；
4. 再学习智能体和 Workflows。

免费与付费

• 开源框架：免费，MIT 许可。
• 商业产品：README 提到 LlamaParse（面向文档解析、提取、索引和切分的文档智能体平台）和 LlamaAgents，属于公司的付费服务，价格以官网为准。
• 模型与向量数据库的费用自理。

适合谁 / 不适合谁

适合：

• 会 Python、要做知识库问答或文档类智能体的开发者；
• 需要深入调优检索效果的团队；
• 想系统理解 RAG 各个环节的学习者。

不适合：

• 不写代码的用户，Dify、FastGPT、RAGFlow 等带界面的平台更合适；
• 一次性的小需求，直接把文档丢给聊天助手更快；
• 追求接口长期稳定的团队需要注意它的版本迭代较快。

注意事项

• 包结构拆得很细：核心包和各类集成包分开安装，照着旧教程导入时常遇到模块找不到的问题，以当前官方文档为准。
• 默认配置只是起点：切分方式和检索参数要根据自己的文档调。
• 解析质量决定上限：扫描件、复杂表格需要专门的解析方案。
• 数据外发：建索引时会把文档内容发给向量模型服务，敏感数据可以改用本地模型。