run-llama GitHub avatar

llama_index

Python
文档智能平台run-llama最近推送 2026年11月14日
RAG 与知识库MIT52.9k8,5761,475 issues7 天 +62

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日

开源框架,用于把私有数据接入 LLM,构建 RAG 与 Agent 应用。

LlamaIndex 是一个 Python 开源框架,定位为「数据框架」,帮助开发者把自有数据(API、PDF、文档、SQL 等)接入大模型应用。它提供数据连接器、索引与检索、Agent 编排等工具,并配套 300 多个集成包,可对接不同 LLM、嵌入模型和向量库。README 同时说明,公司当前重心已转向商业产品 LlamaParse,开源框架仍可继续使用。

推荐指数

4.0

做 RAG 和文档问答时值得优先考虑,但需注意官方重心已转向商业产品。

近 7 天

+62

新增 Star

总 Star 排名

#99

雷达追踪的 3,931 个 AI 仓库中

创建于

2022

2022年11月2日

核心亮点

  • 1数据接入广

    提供连接器,可读取 API、PDF、文档、SQL 等多种来源。

  • 2集成生态大

    有 300 多个集成包,覆盖主流 LLM、嵌入模型和向量库。

  • 3按需安装

    可装 starter 包快速开始,也可只装 core 再按需加集成。

  • 4覆盖 RAG 与 Agent

    同时提供索引检索和 Agent 编排能力。

适用场景

  • 企业知识库问答

    例如:把内部 PDF 和文档建索引,让 LLM 基于这些内容回答问题。

  • 文档结构化提取

    例如:从合同或报表中抽取字段,配合 LlamaParse 处理复杂版式。

  • 多模型应用开发

    例如:同一套代码切换 OpenAI 或其他 LLM 与向量库。

它是怎么工作的

  1. 第 1 步

    接入数据

    用数据连接器读取 PDF、API、SQL 等来源。

  2. 第 2 步

    切分与索引

    把文档切块并建立索引,可存入向量库。

  3. 第 3 步

    检索增强

    查询时检索相关片段,作为上下文交给 LLM。

  4. 第 4 步

    编排应用

    用 Agent 或工作流把检索、工具调用串起来。

快速上手

  1. 1

    安装 starter 包

    包含核心和常用集成,适合快速开始。

    pip install llama-index
  2. 2

    或只装核心

    再按需安装所需集成包,体积更小。

    pip install llama-index-core
  3. 3

    按命名空间导入

    core 为框架本体,其余为集成包。

    from llama_index.core.llms import LLM
    from llama_index.llms.openai import OpenAI

适合谁

  • 需要把私有数据接入 LLM 的 Python 开发者
  • 构建 RAG 或文档问答应用的团队
  • 需要灵活切换模型和向量库的项目

不太适合

  • 不想写代码、只想开箱即用的用户
  • 需要完全免费商业文档解析服务的团队

成熟度

  • 活跃度2026 年仍有提交,但 README 称重心已转向商业产品。
  • 文档有独立文档站和集成列表,README 提示以文档为准。
  • 社区约 5.3 万 star、8500 多 fork,有 Discord 和 Reddit 社区。
  • 上手难度集成包多、概念较多,新手需要一定学习成本。

同类项目怎么选

  • LangChain同样做 LLM 应用编排,生态更偏通用链式工具,LlamaIndex 更聚焦数据索引与检索。
  • Haystack同为 RAG 框架,Haystack 更强调生产级搜索流水线。

使用前注意

  • · 开源框架采用 MIT 许可,但 LlamaParse 等云服务需单独注册并可能收费。
  • · 官方当前主要精力在商业产品,开源框架的更新节奏可能放缓。
  • · 未固定版本时,集成包之间可能存在兼容问题。
  • · 处理敏感文档时需自行评估数据上传与隐私风险。

主题标签

agentsapplicationdatafine-tuningframeworkllamaindexllmragvector-databasemulti-agents