LlamaIndex 是什麼、和 LangChain 有什麼區別：面向私有數據的 RAG 與智能體開發框架入門

本文根據 LlamaIndex 官方 GitHub 倉庫 README 與官網整理，資料核對於 2026-10-11。開源項目變化快，以官方倉庫為準。

是什麼

LlamaIndex 是一個開源的開發框架，由同名公司 LlamaIndex 開發，倉庫 run-llama/llama_index 約有 5.25 萬星標，採用 MIT 許可。README 現在的定位是「構建智能體應用的框架」，而它最初出名、至今最擅長的事情是 RAG（檢索增強生成）：讓大模型基於你自己的文檔、數據庫、知識庫來回答問題。

核心組件

README 列出的幾類模組，正好對應一條 RAG 流水線：

• 數據連接器（Data connectors）：從 PDF、網頁、數據庫、各類 SaaS 裏把數據讀進來；
• 索引（Indexes）：把數據組織成便於檢索的結構，最常見的是向量索引；
• 檢索器（Retrievers）：根據問題找出相關片段；
• 查詢引擎（Query engines）：把檢索到的內容和問題一起交給模型生成答案；
• 智能體（Agents）：讓模型自主決定調用哪些工具和數據源；
• Workflows：用事件驅動的方式編排多步驟、多智能體的流程。

和 LangChain 的區別

這是搜尋裏最常見的問題。簡單的區分方式：

• LlamaIndex 從「數據」出發：在文檔解析、切分、索引和檢索策略上提供的現成方案更多、更細；
• LangChain / LangGraph 從「流程」出發：在通用的組件拼裝、有狀態的智能體編排上更突出。

兩者並不互斥，功能有相當多的重疊，也可以混用。主要做知識庫問答的，可以先看 LlamaIndex；主要做複雜智能體流程的，可以先看 LangGraph。

怎麼上手

bash
pip install llama-index

這是包含常用集成的入門包；想自己挑選集成，可以只裝 llama-index-core 再按需安裝模型和向量庫的集成包。

學習路徑建議：

1. 跑通官方的入門示例：讀取一個文件夾裏的文檔 → 建向量索引 → 提問；
2. 換成自己的文檔，觀察回答引用了哪些片段；
3. 調整切分大小、檢索條數，體會它們對答案質素的影響；
4. 再學習智能體和 Workflows。

免費與付費

• 開源框架：免費，MIT 許可。
• 商業產品：README 提到 LlamaParse（面向文檔解析、提取、索引和切分的文檔智能體平台）和 LlamaAgents，屬於公司的付費服務，價格以官網為準。
• 模型與向量數據庫的費用自理。

適合誰 / 不適合誰

適合：

• 會 Python、要做知識庫問答或文檔類智能體的開發者；
• 需要深入調優檢索效果的團隊；
• 想系統理解 RAG 各個環節的學習者。

不適合：

• 不寫代碼的用戶，Dify、FastGPT、RAGFlow 等帶介面的平台更合適；
• 一次性的小需求，直接把文檔丟給聊天助手更快；
• 追求接口長期穩定的團隊需要注意它的版本迭代較快。

注意事項

• 包結構拆得很細：核心包和各類集成包分開安裝，照着舊教學導入時常遇到模組找不到的問題，以當前官方文檔為準。
• 預設配置只是起點：切分方式和檢索參數要根據自己的文檔調。
• 解析質素決定上限：掃描件、複雜表格需要專門的解析方案。
• 數據外發：建索引時會把文檔內容發給向量模型服務，敏感數據可以改用本地模型。