LangChain vs LlamaIndex：从编排到数据，一文搞清核心区别

目录

摘要

一、核心区别：一句话版本

二、为什么我会觉得它们很像？

三、核心区别：完整对比

四、用 LangChain 的知识理解 LlamaIndex

五、LlamaIndex 的数据处理主线

1. Document

2. Node

3. Index

4. Retriever

5. QueryEngine

六、LangChain 的应用编排主线

七、RAG 场景下怎么选？

八、Agent 场景下怎么选？

九、最佳实践：两者组合使用

十、实际项目中怎么选？

十一、给 LangChain 学习者的 LlamaIndex 学习路线

十二、总结

参考资料

摘要

最近在学习 LlamaIndex 时，我有一个很直接的感受：它和 LangChain 真的很像。两者都能做文档加载、文本切分、Embedding、向量检索、RAG、Agent 和工具调用。如果只看入门示例，甚至会觉得它们是在重复造轮子。

但继续往下学之后会发现，二者虽然能力有重叠，设计重心却截然不同。LangChain 更像是一个LLM 应用编排框架，擅长把模型、Prompt、工具、Agent 和流程串起来；LlamaIndex 更像是一个数据增强框架，擅长把私有数据组织成 LLM 可以高质量使用的上下文。

本文从一个已经学过 LangChain 的视角，梳理两者的相似点、核心差异、概念映射、使用场景以及学习路线。

一、核心区别：一句话版本

先给两个最直观的类比：

LangChain：让 LLM 会做事。 LlamaIndex：让 LLM 会用你的数据。

LangChain 擅长编排行为。 LlamaIndex 擅长组织知识。

用更工程化的方式理解：

LangChain = 应用编排层 LlamaIndex = 数据上下文层

这是贯穿全文最核心的一条线索，后面所有内容都围绕这个区别展开。

二、为什么我会觉得它们很像？

因为二者都处在 LLM 应用开发这一层，都在解决同一个问题：

如何把大语言模型从一个聊天接口，变成能够处理真实任务的应用系统。

因此，它们都会涉及很多相同概念：

• 文档加载

• 文本切分

• Embedding

• 向量数据库

• Retriever

• RAG

• Agent

• Tool Calling

• Memory

• Workflow

比如一个最常见的 RAG 应用，基本流程在两个框架里都差不多：

加载文档 -> 切分文本 -> 生成向量 -> 存入向量库 -> 检索相关内容 -> 交给 LLM 回答

相似的是"能力模块"，不同的是"默认思路"。

三、核心区别：完整对比

四、用 LangChain 的知识理解 LlamaIndex

如果你已经学过 LangChain，学习 LlamaIndex 时可以做如下映射：

对 LangChain 使用者来说，LlamaIndex 最关键的几个概念是：Document、Node、Index、Retriever、QueryEngine、ChatEngine。理解了这几个，就基本抓住了 LlamaIndex 的主线。

五、LlamaIndex 的数据处理主线

学习 LlamaIndex 时，不建议一开始就从 Agent 入手。更推荐先抓住它的数据处理主线：

Data Source → Document → Node → Index → Retriever → QueryEngine / ChatEngine → Response

1. Document

Document 是数据进入 LlamaIndex 后的基础表示，相当于"原始资料进入系统后的统一格式"。

常见数据源：PDF、Markdown、网页、Notion 页面、数据库记录、Slack 消息、本地文本文件等。

2. Node

Node 是经过切分后的文档片段。LangChain 里常说 chunk，LlamaIndex 里更常见的说法是 Node。

为什么需要 Node？因为 LLM 和向量检索通常不适合直接处理整篇长文档，需要先切成较小的片段，再做 embedding、索引和检索。

3. Index

Index 是 LlamaIndex 里的核心抽象，负责组织数据，让后续查询变得高效。

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader ​ documents = SimpleDirectoryReader("data").load_data() index = VectorStoreIndex.from_documents(documents)

这几行代码背后通常包含：文档读取 → 文档解析 → 节点切分 → embedding → 向量存储 → 构建可查询结构。

对比 LangChain 的等价写法，会感受到 LlamaIndex 把 RAG 数据侧流程封装得更自然：

# LangChain 的等价写法（需要手动拼组件） from langchain.document_loaders import DirectoryLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma ​ loader = DirectoryLoader("data") docs = loader.load() splitter = RecursiveCharacterTextSplitter() chunks = splitter.split_documents(docs) vectorstore = Chroma.from_documents(chunks, OpenAIEmbeddings())

同样的功能，LlamaIndex 是"声明式的"，LangChain 是"拼装式的"。

4. Retriever

Retriever 负责根据用户问题，从索引中找出最相关的 nodes，然后把这些内容作为上下文提供给后续的 LLM。

5. QueryEngine

QueryEngine 不仅负责检索，还会把检索到的内容交给 LLM 合成最终答案。可以把它理解为：

Retriever + Prompt + LLM + Response Synthesis = QueryEngine

query_engine = index.as_query_engine() response = query_engine.query("LlamaIndex 和 LangChain 有什么区别？") print(response)

这也是 LlamaIndex 在 RAG 场景中用起来很顺的根本原因。

六、LangChain 的应用编排主线

LangChain 的主线更偏应用行为编排：

Model → Prompt → Tool → Agent → Graph / Workflow → Stateful Execution

如果你要做的是：

• 让模型调用搜索工具

• 让模型查询数据库

• 让模型根据任务自动选择工具

• 让流程中间有人类审批

• 让长任务失败后可以恢复

• 构建复杂 Agent 系统

那么 LangChain，尤其是 LangGraph，通常更自然。它更关注的是：

如何让 LLM 在多个工具、多个步骤和多个状态之间可靠地执行任务。

七、RAG 场景下怎么选？

假设要做一个"公司内部知识库问答系统"。

使用 LlamaIndex 的思路

公司文档 -> 加载 -> 解析 -> 切成 nodes -> 构建 index -> 用户 query -> 检索相关 nodes -> 合成答案

LlamaIndex 在这个场景里更顺，因为它天然围绕数据和索引展开，RAG 是它的本职工作。

使用 LangChain 的思路

公司文档 -> loader -> splitter -> vectorstore -> retriever -> prompt -> model -> chain / agent

LangChain 也完全能做，而且灵活度很高。但在很多情况下，你会更明显地感觉自己在"拼组件"。

结论：如果当前主要目标是做 RAG，尤其是文档问答、知识库检索、多数据源问答，优先考虑 LlamaIndex。

八、Agent 场景下怎么选？

再换一个场景：你要做一个 AI 助手，它需要查询公司知识库、查天气、查数据库、调用内部 API、生成报告，并在关键步骤等待人工确认。

这时候问题就不只是"如何检索文档"了，而是：

如何让 AI 在多个工具之间做决策，并可靠完成多步骤任务。

这类场景下，LangChain / LangGraph 通常更合适。

九、最佳实践：两者组合使用

实际项目中，两者并不是非此即彼，最常见的成熟方案是分工合作：

LlamaIndex 负责知识库和 RAG LangChain / LangGraph 负责任务编排和工具调用

具体做法是把 LlamaIndex 的 QueryEngine 包装成一个 LangChain Tool，再交给 Agent 使用：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader from llama_index.core.tools import QueryEngineTool from langchain.agents import initialize_agent ​ # LlamaIndex 负责建索引 documents = SimpleDirectoryReader("data").load_data() index = VectorStoreIndex.from_documents(documents) query_engine = index.as_query_engine() ​ # 包装成 LangChain 可调用的工具 kb_tool = QueryEngineTool.from_defaults( query_engine=query_engine, name="knowledge_base", description="用于查询公司内部知识库" ) ​ # LangChain Agent 负责编排 agent = initialize_agent(tools=[kb_tool], ...) agent.run("根据知识库内容，帮我生成一份季度总结")

这样既能利用 LlamaIndex 的检索能力，又能利用 LangChain 的复杂流程编排能力。

十、实际项目中怎么选？

十一、给 LangChain 学习者的 LlamaIndex 学习路线

如果你已经学过 LangChain，再学 LlamaIndex 时可以按下面的顺序：

1. 先理解Document、Node、Index、Retriever、QueryEngine这五个核心概念

2. 用一个本地 Markdown 或 PDF 做最小 RAG 示例

3. 调整 chunk size、top_k、metadata filter，观察检索结果变化

4. 加入 reranker，观察回答质量变化

5. 学习 QueryEngine 和 ChatEngine 的区别

6. 学习 Agent，把 QueryEngine 包装成工具

7. 最后再看 Workflows、多索引路由、高级检索等内容

不要一开始就陷入所有集成和高级 API。LlamaIndex 的核心价值在于数据管线和检索质量。

十二、总结

刚开始学 LlamaIndex 时觉得它和 LangChain 很像，是正常的。因为二者都服务于 LLM 应用开发，很多组件名称和使用流程确实有重叠。

但从设计重心上看：

LangChain 更关注：LLM 如何行动。 LlamaIndex 更关注：LLM 如何理解和使用数据。

在实际项目中，不必纠结二选一，更合理的思路是根据任务拆分职责：

用 LlamaIndex 管数据、建索引、做检索； 用 LangChain / LangGraph 管工具、流程、状态和 Agent。

理解了这一点，再看 LlamaIndex 就不会觉得它只是"另一个 LangChain"，而是能清楚看到它在 RAG 和数据增强应用中的独特价值。

参考资料

• LlamaIndex 官方文档：https://docs.llamaindex.ai/

• LlamaIndex RAG 介绍：https://docs.llamaindex.ai/en/stable/understanding/rag/

• LangChain 官方文档：https://docs.langchain.com/oss/python/langchain/overview

• LangGraph 官方文档：https://docs.langchain.com/oss/python/langgraph/overview