⚡ TL;DR——30秒速览
如果你的主要需求是文档问答、知识库搜索或任何 RAG 流水线——LlamaIndex 在数据摄入、分块、索引和检索方面表现出色，应选它。如果你需要广泛的 LLM 编排能力、最大的集成生态（150+ 向量存储、文档加载器、工具），或团队已熟悉 LangChain，则选它。纯 RAG 场景 LlamaIndex 胜在深度；通用 LLM 应用开发 LangChain 胜在广度。
快速对比
| 特性 | LangChain | LlamaIndex |
|---|---|---|
| 主要用途 | 通用 LLM 编排 | RAG 及 LLM 数据处理 |
| RAG 流水线质量 | 良好——需要更多配置 | 优秀——专为 RAG 设计 |
| 数据连接器 | 100+ 加载器 | 100+ 加载器（LlamaHub） |
| Agent 支持 | ✓ LangChain Agents、LangGraph | ✓ LlamaIndex 智能体 |
| 集成生态 | 150+ 向量存储、工具、LLM | 强大但专注领域较窄 |
| 学习曲线 | 中等到陡峭 | 中等（RAG 专注） |
| 可观测性 | LangSmith（独立、付费） | LlamaCloud（独立） |
| API 稳定性 | v0.3 有破坏性变更 | v0.10 Core 是一次重写 |
| 社区规模 | 同类中最大 | 大型、RAG 专注 |
| 大规模性能 | 配合缓存良好 | 检索工作负载表现强劲 |
什么是 LangChain？
LangChain 是构建 LLM 应用最广泛使用的 Python 框架。它提供了一套完整的抽象层，用于串联 LLM 调用、连接向量存储和外部 API、构建对话代理以及管理记忆。LangChain 的优势在于其庞大的生态系统——它几乎与所有主流的 LLM 提供商、向量数据库和外部工具都实现了集成。LangGraph（LangChain 生态的一部分）在此基础上增加了基于图的代理编排能力，适用于复杂的多步骤工作流。庞大的社区意味着丰富的教程、Stack Overflow 上的大量解答以及丰富的第三方集成。
使用多个数据源构建RAG管道需要编排retrievers、memory和LLM调用——LangChain的141k+ GitHub stars反映了其chain abstraction如何优雅地处理这种复杂性。与LlamaIndex以document-centric的focus不同，LangChain在agent workflows和multi-step reasoning方面表现更为出色。若需要minimal dependencies或对简单completions的latency低于100ms，可以跳过它。
——中国吧AI Tools Hub编辑团队关于LangChain
LlamaIndex 是什么？
LlamaIndex（前身为 GPT Index）是一个专门为构建 RAG 系统和连接 LLM 与外部数据而设计的框架。LangChain 是通用编排器，而 LlamaIndex 在数据摄入、分块策略、索引类型（向量、关键词、知识图谱）和查询引擎方面提供了深度专精的解决方案。LlamaIndex 的数据连接器中心（LlamaHub）提供了 100+ 种常见数据源的连接器。该框架专注的设计使其在处理 RAG 的边缘情况时比通用框架更加优雅——例如处理超长文档、管理过期索引数据以及在多个索引间进行查询路由。
LlamaIndex 在构建企业文档问答系统方面表现出色，因为其统一的摄入管道能够处理 PDF、数据库和 API，无需自定义解析逻辑。与 LangChain 更模块化的方法不同，LlamaIndex 在 GitHub 上超过 51k 的星标数反映了其强推荐的 RAG 工作流——以灵活性换取速度。如果你需要对检索算法进行细粒度控制或计划大量自定义索引策略，则可以考虑跳过它。
—— LlamaIndex 中国吧 AI Tools Hub 编辑团队
何时选择各自
如果…选LangChain
- 你要构建通用 LLM 应用（并非以 RAG 为主）
- 你需要最广泛的集成生态系统
- 你的团队已经熟悉 LangChain
- 你需要使用 LangGraph 进行复杂的代理编排
- 你希望拥有最大的社区和最丰富的教程资源
选择 LlamaIndex，如果……
- 你的主要用例是文档问答或知识库搜索
- 你需要对分块、索引和检索进行细粒度的控制
- 你将LLM连接到结构化或半结构化数据
- 你希望以更少的配置获得更好的开箱即用RAG质量
- 你需要管理具有不同检索策略的多个文档集合
RAG管道比较
对于RAG应用，LlamaIndex提供了更多的开箱即用选项和更好的默认配置。LlamaIndex提供多种索引类型（向量存储、摘要、知识图谱、关键词）、结合密集和稀疏检索的混合搜索、用于重排序的节点后处理器，以及用于复杂多跳问题的子问题查询引擎。LangChain可以实现相同的结果，但通常需要更明确的配置和自定义代码。如果RAG质量是你的首要关注点，LlamaIndex专为RAG设计的抽象将为你节省大量工程时间。
Agent能力
LangChain通过LangGraph拥有更成熟的Agent生态，提供基于图的编排来支持复杂的多步骤Agent工作流。LangGraph特别适合执行路径具有条件性或需要多Agent协调的工作流。LlamaIndex在近几个版本中通过QueryPipelineAgent和多Agent支持添加了Agent能力，但对于复杂的编排场景，LangGraph仍然更强大。如果Agent是你应用的的重要组成部分，LangChain的生态具有明显的优势。
版本稳定性与迁移
两个框架都经历过需要现有用户进行迁移的重大重构。LangChain从v0.1到v0.2再到v0.3的演进在chain和retriever API中引入了破坏性变更。LlamaIndex的v0.10（LlamaIndex Core）是一次全面重新设计，改变了import路径和许多核心API。评估任一框架时，请查看当前主要版本的文档，并为快速演进的生态系统中未来可能出现的破坏性变更做好准备。