LlamaIndex 2026：文档Agent与RAG管道详解
文档散落在各处——PDF、Notion、数据库——想要一个统一问答接口。LlamaIndex就是为此而生。
💡 你将学到
文档散落在各处——PDF、Notion、数据库——想要一个统一问答接口。LlamaIndex就是为此而生。
标题：LlamaIndex 2026：文档代理与 RAG 流水线详解（5.1 万星标）
LlamaIndex：面向 LLM 应用的数据框架
LlamaIndex（GitHub 星标 51,277，MIT 许可证）是面向 LLM 应用的数据框架——它将文档与模型连接起来。该框架在开发者社区普及了 RAG 这一术语，并已发展为一个完整的文档代理构建平台：从 30 多个来源摄取数据，索引到向量存储，通过高级检索进行查询，并在数据之上编排代理循环。
核心概念
数据连接器（LlamaHub）。 通过单行加载器从 PDF、Notion、Confluence、Slack、数据库和网页读取数据。该中心拥有数百个社区连接器。
索引。 将文档转换为可搜索的结构：VectorStoreIndex（语义搜索）、SummaryIndex（整篇文档查询）和 KnowledgeGraphIndex（关系查询）。
查询引擎。 执行检索与合成的循环，用于回答问题。你可以组合它们：根据意图将问题路由到向量索引或摘要索引。
代理。 位于顶层：一个带有工具（查询引擎、文档加载器、任意函数）的 LLM，由它决定调用什么。一个文档代理可以查看 PDF，找到相关部分，检查另一个文档，然后进行综合——对数据进行多步推理。
最小示例
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
docs = SimpleDirectoryReader("docs/").load_data()
index = VectorStoreIndex.from_documents(docs)
query_engine = index.as_query_engine()
print(query_engine.query("What is our refund policy?"))
这是一个仅用六行代码即可运行的 RAG 应用——加载、索引、查询。
何时使用代理
查询引擎回答单个问题；代理处理工作流——跨文档比较、汇总整个文件夹，然后起草邮件。2026 年的模式是：从查询引擎开始，只有当问题变为多步时才添加代理工具。代理消耗更多 token 并引入更多失败模式；能解决问题的更简单工具才是更好的工具。
常见问题
LlamaIndex 免费吗？ 是的——采用 MIT 许可的开源软件；LlamaCloud 是付费托管版本。
LlamaIndex 与 LangChain 对比？ 两者有重叠但重心不同：LlamaIndex 以数据/索引为中心；LangChain 以链/代理为中心。许多项目同时使用两者。
它能与本地模型一起使用吗？ 可以——支持 Ollama、vLLM 以及任何兼容 OpenAI 的端点。
它能同时查询 SQL 和向量存储吗？ 可以——SQL、向量和文档索引可以在一个查询流水线中组合使用。
相关文章
❓ 常见问题
LlamaIndex 免费吗？
是的——采用 MIT 许可的开源软件；LlamaCloud 是付费托管版本。
LlamaIndex 与 LangChain 对比？
两者有重叠但重心不同：LlamaIndex 以数据/索引为中心；LangChain 以链/代理为中心。许多项目同时使用两者。
它能与本地模型一起使用吗？
可以——支持 Ollama、vLLM 以及任何兼容 OpenAI 的端点。
它能同时查询 SQL 和向量存储吗？
可以——SQL、向量和文档索引可以在一个查询流水线中组合使用。
本站文章由编辑人工撰写，收录的工具均经过实测或公开资料核验。文中链接指向工具官网或 GitHub 仓库，仅作信息参考，不构成付费推广。
