- LlamaIndex 更偏知识库和 RAG 数据检索。
- LlamaIndex 为 LLM 增添 RAG 能力
- LangChain 更偏大模型应用、工具调用和 Agent 工作流。
- 配合LangGraph可以完成复杂的Agent编排工作流
| 对比项 | LlamaIndex | LangChain |
| ------------- | ------------------------- | ---------------------------- |
| 核心定位 | 数据接入、索引、检索、RAG | LLM 调用、Chain、工具、Agent |
| 主要关注 | 如何让模型找到正确的知识 | 如何让模型完成复杂任务 |
| 文档解析 | 支持 | 支持 |
| 文档切片 |
NodeParser，切成 Node | TextSplitter，切成 Document |
| Embedding 向量化 | 支持 | 支持 |
| 向量数据库 | 支持 Chroma、Milvus、Qdrant 等 | 同样支持 |
| 混合检索 | 强 | 支持 |
| Rerank | 强，Node Postprocessor | 支持，需要组合 |
| 引用来源 | Source Node 支持较自然 | 通常需要自己封装 |
| 文档更新、去重 | IngestionPipeline 较完善 | 更多需要业务层处理 |
| Agent 能力 | 支持，但不是最突出 | 强，特别是配合 LangGraph |
| 条件分支、循环 | Workflow 支持 | LangGraph 更成熟 |
| 状态持久化、恢复 | 支持 | LangGraph 更强 |
| 调试评估 | 支持 RAG 评估 | LangSmith 生态更完善 |
| 适合场景 | 知识库、文档问答、企业搜索 | Agent、工具调用、复杂业务流程 |