一句话定义
LlamaIndex 是一个开源的数据框架（data framework），专门解决“怎样把你自己的文档、数据库记录和网页内容变成大模型（LLM）能查询、能引用并据此回答的资料”这个问题；它最常被拿来搭建 RAG（Retrieval-Augmented Generation，AI 词典：检索增强生成">检索增强生成）系统。
它在干什么
大模型知道的是“公开世界的平均值”，你公司的合同模板、产品手册和客服工单它一无所知。把这些内容全塞进提示词不现实：上下文窗口装不下，费用也高。
LlamaIndex 的思路是：不要把整座图书馆一次性塞给模型，先建好目录，等问题来了再取那几页。
它像图书馆的采编与检索系统：
- 采集：通过 Data Connectors（数据连接器）读取数据源，LlamaHub 上有一批现成集成，覆盖 PDF、网页、Notion、SQL 数据库等；
- 编目：把长文档切成小块（Node），并附加来源、章节等元数据；
- 上架：建立索引（Index），最常见的是向量索引 VectorStoreIndex，也就是把每个小块转成向量存入向量库；
- 借阅：Retriever（检索器）按问题找出最相关的几块，Query Engine（查询引擎）把这些片段拼进提示词，再让模型只依据这些材料回答。
因此，它的价值一半在“切分、嵌入、存储”的工程细节上，一半在“检索、拼接、回答”的组装能力上。近年的版本还加入了 Agent、Workflow 一类能力，可以编排多步查询。
和 LangChain 的定位差异
两者都做 RAG、都有大量集成，也经常在同一个项目中混用，所以很容易混淆。区别主要在于各自“从哪儿出发”：
| LlamaIndex | LangChain | |
|---|---|---|
| 自我定位 | 数据框架，围绕“数据进、答案出” | 通用 LLM 应用编排框架 |
| 出发点 | 索引与检索 | 链、工具、Agent 的调度 |
| 强项 | 文档解析与切分、索引结构、检索质量调优 | 集成面广、组件多、生态影响力大 |
| 心智模型 | 图书馆管理员 | 项目经理和流水线调度 |
粗略地说：LangChain 关心“这件事分几步、每步调用谁”，LlamaIndex 关心“我的数据怎样变成能被准确找到的形态”。做纯知识库问答，用 LlamaIndex 能少写很多样板代码；做多工具协作的复杂 Agent，另一类编排框架可能更顺手。两者边界近年越来越模糊，选型时先看痛点落在数据侧还是编排侧。
实际意义
对工程师：RAG 效果不好时，问题多半出在数据侧：切分太粗、元数据缺失、召回不准。LlamaIndex 把这些环节变成可调参数，省下的是重复开发基础组件的时间，而不是调优的思考。
对普通职场人：这解释了为什么有的“企业知识助手”答得准，有的却经常胡编乱造。差别常常不在模型，而在资料有没有被好好切分、编目和检索。想让 AI 用上公司资料，先问一句：我们的文档，整理成能被人一眼找到的样子了吗？
具体能力与接口以官方文档为准。