﻿---
title: LlamaIndex
description: "Фреймворк для данных: загрузка документов, индексы, запросы и RAG-конвейеры; где он сильнее графовых оркестраторов."
---

LlamaIndex вырос из задачи «дать модели доступ к моим документам». Его сильная
сторона — конвейер данных: загрузка, разбиение, индексирование, поиск,
переранжирование и сборка ответа. Агентная оркестрация здесь вторична.

## Модель программирования

```python
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
engine = index.as_query_engine(similarity_top_k=4)
print(engine.query("Какая методология использовалась в исследовании?"))
```

Ключевые понятия:

- **Reader** — загрузчик источника (PDF, HTML, база, API).
- **Node** — фрагмент документа с метаданными и связями.
- **Index** — структура поиска: векторная, ключевая, графовая.
- **Query engine** — поиск + генерация ответа.
- **Workflow** — событийный сценарий для многошаговой обработки.

Именно так устроен [03](https://wpcraft.ru/aia/examples/03-pdf-qa-agent.md): PDF читается, режется на
фрагменты, индексируется и используется как основа для вопросов с историей.

## Сильные стороны

- **Готовый конвейер данных.** Не нужно писать загрузчики и чанкинг с нуля.
- **Качество поиска.** Разные стратегии индексации, метаданные, переранжирование.
- **Работа с источниками.** Ответ можно связать с фрагментами документа — это
  критично для доверия.
- **Многошаговые workflows.** Когда одного поиска мало, сценарий расширяется.

## Где ломается

- **Агент как основная задача.** Если нужен сложный маршрут с прерываниями,
  графовый фреймворк удобнее.
- **Качество зависит от чанкинга.** Плохое разбиение не спасёт ни один запрос;
  настройка требует измерения, а не интуиции.
- **Обновление индекса.** Инкрементальная индексация — отдельная работа: без неё
  база знаний устаревает молча.
- **Стоимость.** Переранжирование и большой `top_k` заметно увеличивают счёт.

## Когда брать

- Основная задача — вопросы по корпусу документов.
- Нужны ссылки на источники в ответе.
- Требуется собрать конвейер загрузки и обновления данных.
- Нужен RAG внутри агента как инструмент.

## Когда не брать

- Нужен агент с побочными эффектами и ветвлениями — берите
  [LangGraph](https://wpcraft.ru/aia/frameworks/langgraph.md).
- Документов мало и они стабильны: хватит одного промпта с текстом.
- Нужен только доступ к модели — берите [LangChain](https://wpcraft.ru/aia/frameworks/langchain.md).

## RAG — это паттерн, а не фреймворк

LlamaIndex даёт инструменты, но качество RAG определяется решениями: как резать
документы, что индексировать, как оценивать попадание. Эти вопросы разобраны в
[«RAG: поиск и генерация»](https://wpcraft.ru/aia/patterns/rag.md) — фреймворк их не заменяет.

## Материалы и источники

- [LlamaIndex documentation](https://docs.llamaindex.ai) — индексы, query engines, workflows.