LlamaIndex翻译站点

LlamaIndex 是构建数据上下文增强 LLM 应用与智能体的领先框架，专注于将数据连接器、索引、查询引擎、智能体与工作流组合为生产级 AI 系统。

开发者通过 LlamaIndex 的模块化组件，可以将 API、PDF、SQL、向量数据库等任意数据源接入大模型，快速构建从简单问答到自主智能体的各类应用。

2026 年起，LlamaIndex 在 RAG 框架定位基础上，强力推进 Workflows 1.0 与 LlamaAgents 开放预览，正式从”RAG 框架”演进为”可部署的文档智能体平台”。

产品概述

LlamaIndex 由 Jerry Liu 于 2022 年创立（最初名为 GPT Index），采用 MIT 开源协议，核心框架仓库约 50K GitHub Star，2026 年 6 月已达到 25M+ 月下载量、1B+ 累计处理文档数。

框架本体提供 Python 与 TypeScript 双语言 SDK，开发者可用 5 行代码完成”加载文档 → 建索引 → 查询”的 RAG 最小闭环。LlamaIndex 的商业化产品 LlamaCloud 提供企业管理版文档解析（LlamaParse，支持 90+ 文件类型）、提取（LlamaExtract）、索引与检索等托管能力，提供 SaaS 与 VPC 混合部署两种形态。

2026 年 3 月，LlamaIndex 开源了 LiteParse——TypeScript 原生的本地文档解析库，进一步丰富了开源产品矩阵。

核心能力

• 数据连接器（Data Connectors）：通过 LlamaHub 提供 300+ 预构建第三方连接器，从 API、PDF、SQL、Notion、Google Drive 等任意来源摄取数据
• 数据索引（Data Indexes）：提供向量索引、摘要索引、知识图谱索引、结构化索引等可组合索引类型，针对 LLM 消费优化
• 查询引擎与聊天引擎：为数据提供自然语言访问接口，支持 RAG 问答与多轮对话
• 智能体（Agents）：LLM 驱动的知识助手，可将 RAG 管道作为众多工具之一来完成任务，支持工具调用、多智能体协作
• Workflows（事件驱动工作流）：异步优先、事件驱动的工作流引擎，可链起多步骤、循环、并行路径，支持启动/暂停/恢复的状态化管理，是 LlamaIndex 0.11+ 起取代旧 Query Pipeline 的推荐编排原语
• LlamaParse：业界领先的文档解析服务，支持嵌套表格、复杂空间布局、嵌入式图像甚至手写笔记，90+ 文件类型
• LlamaExtract：基于 Schema 的 LLM 驱动结构化提取智能体，提供页面引用与置信度评分
• 可观测与评估：通过 OpenTelemetry 兼容的链路追踪，对查询、检索、Agent、Workflow 步骤进行严格实验、评估与监控
• 多模态索引：对文本、表格、图像、音频进行适当检索器的索引

优势亮点

• RAG 领域事实标准：与 LangChain 并列 LLM 应用开发两大主流框架，在 RAG 与文档理解场景被广泛视为首选
• 数据层专注最深：提供最完整的数据连接器与索引能力，40+ 数据源连接器、丰富的向量数据库集成
• 开发者优先：高低两层 API 兼顾，5 行代码即可起步，复杂场景可定制任意模块
• Workflows 1.0 稳定：事件驱动工作流引擎达到 1.0 稳定版，支持状态化、可暂停、可恢复的复杂 Agent 编排
• LlamaCloud 企业级文档自动化：LlamaParse 在复杂文档（嵌套表格、嵌入式图表/图像）解析上表现卓越，约 6 秒处理各类长度文档
• 与 LangChain 互补：LlamaIndex 专注数据层与 RAG，LangChain 专注通用链编排，两者可组合使用
• 模型无关：300+ 集成包，支持 OpenAI、Anthropic、Meta Llama、Hugging Face、Ollama 等任意 LLM

短板

• 复杂多智能体编排弱于 LangGraph：对于需要显式图状态管理、持久执行、复杂分支循环的纯 Agent 编排场景，LangGraph 更灵活
• 商业平台与开源框架边界需厘清：LlamaParse/LlamaCloud 是商业服务（Free 层 10K credits/月，Starter $50/月，Pro $500/月），开源框架本身免费但文档解析精度在生产环境常需 LlamaParse 加持
• TypeScript 版本成熟度滞后：虽然官方宣称 Python 与 TypeScript 双 SDK，但社区反馈 TS 端口活跃度低于 Python
• 版本迭代快，breaking changes 时有发生：0.10+ 起 GPTVectorStoreIndex 等旧 API 被移除，迁移需注意版本差异
• 企业级特性依赖 LlamaCloud：自托管的高精度文档解析、提取、索引能力需要 LlamaCloud 企业版或 VPC 部署

适用企业/部门

AI 应用开发团队、R&D 部门、企业知识管理系统开发者、文档处理与数据提取领域开发者。特别适合：企业 RAG 知识库问答、文档理解与数据提取、需要引用溯源的文档智能体、多模态索引（文本/表格/图像/音频）、金融/保险/制造/医疗等行业的文档自动化。

安装教程

前提条件

• Python 3.9+（推荐 3.11+）
• pip 或 Poetry 包管理器
• OpenAI API Key（或本地 Ollama 模型）

快速安装

# 核心包
pip install llama-index

# 按需安装 LLM 与嵌入模型集成
pip install llama-index-llms-openai
pip install llama-index-embeddings-openai

# 其他 LLM 提供商
pip install llama-index-llms-anthropic
pip install llama-index-llms-ollama

# 向量数据库集成
pip install llama-index-vector-stores-chroma
pip install llama-index-vector-stores-pinecone

验证安装：5 行代码 RAG 起步

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

# 1. 从 data/ 目录加载文档（支持 PDF、DOCX、TXT、CSV 等）
documents = SimpleDirectoryReader("data").load_data()

# 2. 创建向量索引（自动分块、嵌入、存储）
index = VectorStoreIndex.from_documents(documents)

# 3. 创建查询引擎并提问
query_engine = index.as_query_engine()
response = query_engine.query("这份文档讲了什么？")
print(response)

使用 Ollama 本地模型

from llama_index.core import Settings
from llama_index.llms.ollama import Ollama
from llama_index.embeddings.huggingface import HuggingFaceEmbedding

# 配置全局设置使用本地模型
Settings.llm = Ollama(model="llama3.1")
Settings.embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-small-en")

# 后续代码与 OpenAI 示例一致
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
print(query_engine.query("总结这份文档的核心观点"))

构建事件驱动工作流（Workflows）

from llama_index.core.workflow import Workflow, step, Context, StartEvent, StopEvent

class MyWorkflow(Workflow):
    @step
    async def first_step(self, ctx: Context, ev: StartEvent) -> StopEvent:
        # 在这里组合检索、工具调用、LLM 推理等步骤
        result = f"处理结果: {ev.input}"
        return StopEvent(result=result)

# 运行工作流
w = MyWorkflow()
result = await w.run(input="用户查询")
print(result)

使用 LlamaParse 解析复杂文档

# 安装 LlamaParse
pip install llama-parse

python

from llama_index.core import SimpleDirectoryReader
from llama_parse import LlamaParse

# 配置 LlamaParse（需要 LlamaCloud API Key）
parser = LlamaParse(api_key="your-llamacloud-key", result_type="markdown")
file_extractor = {".pdf": parser, ".pptx": parser}

documents = SimpleDirectoryReader(
    "data",
    file_extractor=file_extractor
).load_data()

LlamaCloud 托管服务

# 注册 LlamaCloud 获取 10,000 免费 credits/月
# https://cloud.llamaindex.ai/
# 设置环境变量
export LLAMA_CLOUD_API_KEY="your-llamacloud-key"

*选型提示：纯 RAG / 文档问答场景，LlamaIndex 比 LangChain 更简洁；复杂多智能体状态编排场景，建议配合 LangGraph 使用；LlamaIndex 与 LangChain 可组合——用 LlamaIndex 做数据层与检索，用 LangGraph 做 Agent 编排。