LlamaIndex
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
Заголовок раздела «Модель программирования»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: PDF читается, режется на фрагменты, индексируется и используется как основа для вопросов с историей.
Сильные стороны
Заголовок раздела «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
Заголовок раздела «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_kзаметно увеличивают счёт.
Когда брать
Заголовок раздела «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
Заголовок раздела «Когда не брать»- Нужен агент с побочными эффектами и ветвлениями — берите LangGraph.
- Документов мало и они стабильны: хватит одного промпта с текстом.
- Нужен только доступ к модели — берите LangChain.
RAG — это паттерн, а не фреймворк
Заголовок раздела «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» — фреймворк их не заменяет.
Материалы и источники
Заголовок раздела «Материалы и источники»- LlamaIndex documentation — индексы, query engines, workflows.