LlamaIndex

面向「用你的数据增强 LLM」的框架：连接器、索引、查询/聊天引擎、Agent 与事件驱动 Workflows。

它是做什么的

官方定位：构建 Context-Augmented（上下文增强）LLM 应用的领先框架。模型本身未训练你的私有数据；LlamaIndex 提供摄入、解析、索引与查询工具，把 API、PDF、SQL、幻灯片等数据变成模型可用的上下文。最常见形态是 RAG（检索增强生成）；也可把 RAG 管线当作 Agent 的众多工具之一。进一步可用 Workflows 组合多 Agent、连接器与纠错步骤，并部署为生产微服务。

高层 API 可在约五行代码内完成「读目录 → 建索引 → 提问」；底层 API 允许自定义连接器、索引、检索器、查询引擎与重排等模块。

语言生态：Python（主文档）、TypeScript（LlamaIndex.TS）。
典型场景：知识库问答、文档理解与结构化抽取、带工具的研究型 Agent、多模态检索应用。

要点

• 数据链路：Data connectors → Indexes → Query / Chat Engines；检索侧含 Router、Retriever、Node Postprocessor（过滤/重排）、Response Synthesizer。
• Agent + Workflows：不止做检索；支持工具增强的知识助手，以及比纯图编排更灵活的事件驱动工作流（官方对比表述以文档为准）。
• 生态：LlamaHub（大量连接器与集成）、可选 LlamaCloud / LlamaParse（托管解析与索引）。
• 与 LangChain：同属应用层。LlamaIndex 更强调「数据接入与上下文增强」；LangChain 更强调通用 Agent harness 与集成广度。可按团队主战场选型，也可在同一系统中分工使用。

适合谁

• 主攻私有文档 / 企业知识库 RAG，需要从原型做到可定制检索
• Python 或 TS 开发者，希望先高阶 API 跑通，再按模块下沉优化
• 后续要把 RAG 嵌进多步 Agent / Workflow 的团队

官方入口

• 开发者文档（Python）
• 官网
• GitHub
• TypeScript 文档

建议怎么用

先用 SimpleDirectoryReader + VectorStoreIndex + as_query_engine() 跑通本地几篇文档问答，把「切分 / 嵌入 / 检索 / 生成」摸清。再换真实向量库、加重新排序与路由。需要多步决策或工具调用时引入 Agent / Workflows。向量库与知识库组件选型见 知识库。