ArcLibrary
L1入门L2进阶L3生态

LlamaIndex

专注「数据接入 + RAG」的框架 —— 把你的私有资料喂给 LLM 的最快路径。

LlamaIndexRAGFramework
核心 · Key Idea

一句话：LlamaIndex 把「怎么把你公司的数据接进 LLM」做成专精：从读文件、切分、做索引、做检索、到把检索结果喂模型 —— 整条 RAG 链路它都给你抽好了。如果你的核心是「让 AI 懂我的资料」，它通常比 LangChain 上手更快。

是什么#

最经典的几行：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
 
# 读取目录里的文件
docs = SimpleDirectoryReader("./my_docs").load_data()
 
# 一行建索引（embedding + 向量库）
index = VectorStoreIndex.from_documents(docs)
 
# 一行问答
query_engine = index.as_query_engine()
print(query_engine.query("我们 Q3 的退款政策？"))

它的核心抽象是 Index（索引）和 QueryEngine（查询引擎） —— 不像 LangChain 那么通用，但 RAG 链路更顺手。

打个比方#

打个比方 · Analogy
  • LangChain = 乐高总店 —— 各种零件都有，能拼万物。
  • LlamaIndex = 「家具拼装套餐」 —— 专门拼 RAG 这把椅子，说明书更短、拼出来更稳。

关键概念#

Reader / Loader数据加载器
几百种连接器：PDF / Notion / Slack / GitHub / SQL / 网页…
Index索引
向量索引 / 摘要索引 / 知识图索引 —— 不止于向量。
QueryEngine查询引擎
封装好「检索 + rerank + 生成」的入口。
Node节点 (chunk)
切分后的最小单位，附带元数据，便于过滤 / 引用。
Workflow工作流
新版本里加入了类似 LangGraph 的 Agent / 状态机能力。

怎么工作#

它把整个 RAG 流程封装成「插件式接管」 —— 你只需选 Reader / Index / Engine，少写胶水。

实操要点#

  • 核心是 RAG 就用它：客服知识库、企业私有问答、文档 QA —— 几小时就能拼出可用 demo。
  • Reader 是宝藏：Notion / Confluence / Jira / GitHub 都有官方读取器，比自己 scrape 快得多。
  • 不只是向量索引：长文档先做「Summary Index」，再下钻到具体节点 —— 比纯向量召回准很多。
  • 生产用 IngestionPipeline：把「读 → 切 → embed → 写库」做成增量 pipeline，新增文档不重建。
  • 复杂 Agent 仍推荐 LangGraph：LlamaIndex 的 Workflow 还在追赶。

易混点#

LlamaIndex
专注 **RAG / 数据**。
上手快、约束更强。
LangChain
通用编排 —— 流程、Agent、Tools 都覆盖。
LlamaIndex
几行代码出 demo。
适合中等规模知识库。
自己写 RAG
完全可控，能上各种花式优化。
极致大规模场景往往要这条路。

延伸阅读#