精通之路：LlamaIndex vs LangChain 选型与综合实战

综合实战：企业知识库问答（LlamaIndex 全家桶版）

# 1. 摄取：结构感知切分 + 增量入库
pipeline = IngestionPipeline(transformations=[
    MarkdownNodeParser(),                 # 按标题层级切
    SentenceSplitter(chunk_size=512, chunk_overlap=50),
    embed_model,
    vector_store])
pipeline.run(documents=docs)

# 2. 检索优化：混合思路 + 重排 + 元数据过滤
retriever = QueryFusionRetriever([vector_retriever, bm25_retriever],
                                 similarity_top_k=10)
query_engine = index.as_query_engine(
    retriever=retriever,
    node_postprocessors=[
        SentenceTransformerRerank(top_n=3)])

# 3. 多库路由：财务/人事/技术三个索引 → Agent 工具
agent = ReActAgent.from_tools([finance_tool, hr_tool, tech_tool])

# 4. 对话入口：多轮 + 溯源
chat_engine = index.as_chat_engine(chat_mode="condense_question")

对照《端到端 RAG 调优实战》：方法论完全一致，只是每个环节换用了 LlamaIndex 的官方组件。

选型决策表

场景	推荐	理由
文档 RAG、复杂数据源接入	LlamaIndex	索引/检索抽象最完善，摄取管线开箱即用
多系统编排、复杂 Agent 流程	LangChain / LangGraph	生态广、状态机编排更强
结构化输出、提示工程细控	两者皆可	能力相当，看团队熟悉度
混合项目	两者混用	LlamaIndex 建索引，Retriever 桥接进 LangChain 链

继续精进的学习地图

• LlamaParse：官方文档解析服务，复杂 PDF/表格的解析质量远超开源方案；
• LlamaCloud：托管的摄取与索引服务，省去自运维向量库；
• 评估：faithfulness / relevancy 指标自动评分，配合本站《RAG 评估》方法论闭环；
• 多模态：图像、表格的 Multi-Modal 索引与查询。

学完本模块你已掌握两大框架。记住：框架会变，RAG 与 Agent 的方法论不变——这正是本站全部课程想交给你的东西。