LlamaIndex 是一个用于连接 LLM 与自有数据的数据框架，主要面向 RAG（检索增强生成）应用。
【用途】 适合以下场景：构建 RAG 应用；对私有数据进行文档问答；从多个来源摄取数据（300+ 连接器）；为 LLM 创建知识库；用企业数据构建聊天机器人；从文档中提取结构化数据。
【主要能力】
- 数据连接器：可从目录文件、网页、GitHub 仓库、数据库、API 端点等来源加载文档，也可手动创建 Document 并附带元数据。
- 索引：支持向量索引（语义搜索，最常用）、列表索引（顺序扫描）、树索引（分层摘要），索引可持久化保存与重新加载。
- 查询引擎：支持基础查询、流式响应，以及 similarity_top_k、response_mode（compact、tree_summarize、simple_summarize 等）等配置。
- 检索器：支持向量检索、按元数据过滤，以及自定义检索器。
- 智能体与工具、高级 RAG 模式：资料中指向 references/agents-with-tools.md 与 references/advanced-rag-patterns.md 获取细节。
- 向量存储集成：支持 Chroma（本地）、Pinecone（云端）、FAISS（快速）等。
- 定制化：可自定义 LLM（如 Anthropic）、嵌入模型（如 HuggingFace）、提示模板。
- 多模态 RAG：可加载图片与文档，配合多模态 LLM 查询。
- 评估：提供 RelevancyEvaluator、FaithfulnessEvaluator 评估相关性与忠实度。
【使用方式】 安装：pip install llama-index（推荐起始包），或安装最小核心加特定集成：pip install llama-index-core、pip install llama-index-llms-openai、pip install llama-index-embeddings-openai。 5 行 RAG 示例： from llama_index.core import VectorStoreIndex, SimpleDirectoryReader documents = SimpleDirectoryReader("data").load_data() index = VectorStoreIndex.from_documents(documents) query_engine = index.as_query_engine() response = query_engine.query("What did the author do growing up?") print(response)
【适用场景与最佳实践】 多数情况使用向量索引；将索引保存到磁盘避免重复索引；合理分块（512-1024 tokens 较优）；添加元数据以支持过滤与追踪；使用流式响应改善体验；开发时开启 verbose 观察检索过程；评估响应相关性与忠实度；对话场景使用聊天引擎（内置记忆）；持久化存储；监控成本。
【性能参考】 索引 100 个文档约 10-30 秒（一次性，可持久化）；向量查询约 0.5-2 秒；流式查询首 token 约 0.5 秒；带工具的智能体约 3-8 秒。
【与 LangChain 对比】 LlamaIndex 更适合 RAG 与文档问答，数据连接器 300+，RAG 为核心功能，RAG 学习曲线更平缓；LangChain 更适合智能体与通用 LLM 应用，连接器 100+，灵活性更高。
【限制与注意事项】 资料未提供收费、价格与平台支持等具体信息。版本相关细节可能过时，应以所安装版本的官方文档为准。不要向外部 API 发送隐私或敏感数据（除非用户同意）；涉及费用、共享 GPU/云配额、个人或患者数据以及不可撤销的操作前应先询问。
【资源】 GitHub：https://github.com/run-llama/llama_index 文档：https://developers.llamaindex.ai/python/framework/ LlamaHub：https://llamahub.ai LlamaCloud：https://cloud.llamaindex.ai Discord：https://discord.gg/dGcwcsnxhU 版本：0.14.7+；许可证：MIT。