用途：LlamaIndex 是把 LLM 与自有数据连接的数据框架，适合构建 RAG（检索增强生成）应用、私有数据文档问答、多来源数据摄取、LLM 知识库、企业数据聊天机器人，以及从文档中做结构化信息提取。
主要能力：提供数据连接器（LlamaHub 称 300+ 连接器）、多种索引（VectorStoreIndex、ListIndex、TreeIndex）、查询引擎（支持 streaming、similarity_top_k、response_mode 等配置）、检索器与元数据过滤、带工具的 FunctionAgent、会话式 chat engine、Pydantic 结构化输出、多模态 RAG、评估器（RelevancyEvaluator、FaithfulnessEvaluator），并集成本地与云向量库（Chroma、Pinecone、FAISS）。
使用方式：安装可选完整版 pip install llama-index，或最小核心加集成 pip install llama-index-core、pip install llama-index-llms-openai、pip install llama-index-embeddings-openai。典型流程是用 SimpleDirectoryReader 等读取文档，用 VectorStoreIndex.from_documents 建索引，用 index.as_query_engine().query(...) 提问；索引可用 index.storage_context.persist 持久化，用 load_index_from_storage 载入。可全局设置 Settings.llm 与 Settings.embed_model，也可通过 PromptTemplate 定制提示词。
适用场景与限制：资料称其更适合 RAG 与文档问答，数据连接器较多，API 对文档问答更简单；如果主要做复杂通用 Agent 或需要更高灵活性，资料建议考虑 LangChain，生产搜索管道可考虑 Haystack，轻量语义搜索可考虑 txtai，只需向量存储可考虑 Chroma。资料给出性能参考：索引 100 篇文档约 10-30 秒，向量查询约 0.5-2 秒，流式首 token 约 0.5 秒，带工具 Agent 约 3-8 秒。以上为资料原文整理，具体收费、平台与价格暂未提供。