LlamaIndex

快速结论

LlamaIndex 的核心竞争力不是“又一个通用 Agent 框架”，而是把企业数据变成 Agent 可用上下文：连接数据源、解析为 Document/Node、建立索引、检索与重排，再由 Query Engine、Agent 或事件驱动 Workflow 使用。LlamaIndex OSS 是 MIT 许可的 Python 框架，核心与 300+ 集成可按需安装；TypeScript 生态也存在，但官方主仓库和最新文档重心更偏 Python。LlamaParse 则是独立商业文档平台，覆盖 Parse、Extract、Index、Split 以及托管 LlamaAgents，支持 130+ 文件格式和 agentic OCR。两者可一起用，也可独立使用。团队必须区分“开源框架可自托管”和“商业解析/托管服务按 credits 计费”，否则会误判数据路径、成本和锁定。

核心功能

• 数据连接与规范化：从文件、API、数据库和 SaaS 加载数据，转成 Document 与 Node，并保留 metadata。
• 索引与检索：VectorStoreIndex、属性图、混合检索、metadata filter、reranker 和 response synthesizer 组成可替换链路。
• Query/Chat Engine：面向问答和多轮上下文提供高层接口，也允许下沉到 retriever 与 synthesizer 调优。
• Agent 与工具：检索器、查询引擎、SQL 或自定义 API 可作为 Agent 工具，适合“先找数据、再行动”的任务。
• Workflows：事件驱动、多步骤流程可组合 Agent、数据源、人工介入、反思与错误修正，并部署为服务。
• 可观测与评估：OSS 有 instrumentation、callbacks、token 成本分析和第三方 tracing/evaluation 集成，但没有自动等价于托管生产监控。
• LlamaParse 产品线：商业平台提供 Parse、Extract、Index、Split、Agent Builder 与 LlamaAgents 部署；Parse 支持 130+ 格式、80+ 语言及表格、图表、图片理解。

适合人群

适合主要难点是私有文档、异构数据、检索质量和引用溯源的 Python AI 团队。复杂 PDF、表格、图表、合同、财报和技术手册尤其匹配，也适合要定制 chunk、metadata、retriever、reranker 的 RAG 工程师。不适合只有简单模型对话、无需数据层的应用；如果核心是跨 SaaS 自动化或通用多工具 Agent，n8n、LangChain 可能更直接。若法规要求所有文档留在本地，也不能默认使用 SaaS LlamaParse；私有 VPC/Hybrid 属 Enterprise 能力，应先确认合同与架构。

使用场景

• 对合同、发票、财报和技术 PDF 做版面感知解析、结构化抽取与引用问答。
• 将 SharePoint、对象存储、数据库等数据同步进索引，构建内部知识助手。
• 用 metadata filter、混合检索和 reranking 改善召回，再用评估集验证答案忠实度。
• 把检索、分类、人工复核和下游动作串成事件驱动的文档 Workflow。
• 在 OSS 中使用本地模型、embedding 与自有 vector store，控制推理和数据位置。

价格与版本

官方换算为 1,000 credits = 1.25 美元，但一页消耗取决于解析 tier 和选项：基础解析可低至 1 credit，agentic/VLM、layout、extract、split 与 index 会增加消耗。Free 页面当前显示 10K credits，但不应擅自假设永久按月重置或滚存；以账户 billing 和官方 credit 文档为准。模型、向量数据库与自托管基础设施费用另计。

国内访问与使用体验

Python 包可本地安装并接国内模型、Hugging Face embedding、Ollama 与自有向量库，但官网、LlamaParse Cloud 和部分海外 provider 在中国大陆可能不稳定，因此 needsVPN: true。该标记仅描述访问条件。中文文档效果不能只看框架：扫描质量、OCR、表格结构、chunk 策略、中文 embedding、reranker 和评估集都会影响结果。对敏感文件，应确认 SaaS 区域、缓存与删除策略；官方称 SaaS 缓存默认保留 48 小时且可关闭，Enterprise 提供私有 VPC 方案，但仍需组织自行完成合规评审。

优点

• 从 ingestion、Node、索引到检索和答案合成的数据抽象完整，便于逐层调优。
• OSS 为 MIT，模型、embedding、vector store 和部署地点可自主选择。
• 连接器和集成数量大，复杂 RAG 与数据 Agent 的资料丰富。
• LlamaParse 把复杂文档 OCR、表格和图表处理产品化，能显著缩短解析原型时间。
• Workflows 允许事件驱动与人工介入，不局限于简单线性 RAG。

不足

• 品牌层次多：LlamaIndex、LlamaParse、LlamaCloud 旧称、LlamaAgents、Workflows 容易在旧教程中混用。
• OSS 只提供构建块，生产同步、队列、API、身份权限、备份、监控和容量仍需工程化。
• instrumentation 能记录事件，但成熟告警、在线质量监控和发布门禁需要第三方平台或自建。
• 采用 LlamaParse 的 proprietary API、解析配置、hosted index 和 Agent 部署越深，数据迁移与供应商锁定越明显。
• credits 对不同解析模式消耗不同，复杂图表或 VLM 文档若没有样本压测，成本预测会失真。
• 300+ 集成带来选择，也带来版本兼容和依赖维护负担。

替代品对比

常见问题 FAQ

LlamaIndex 和 LlamaParse 是同一个产品吗？

不是。LlamaIndex 是 MIT 开源框架；LlamaParse 是商业文档处理平台，可与框架配合或独立调用。

LlamaCloud 去哪里了？

许多旧资料使用 LlamaCloud 总称。当前官网更突出 LlamaParse 平台，并在其中提供 Parse、Extract、Index、Split 与 Agents。

能完全离线运行吗？

OSS 可以接本地模型、embedding 和 vector store；但 LlamaParse 商业 API 不是开源离线解析器。可另选本地解析组件或洽谈 Enterprise VPC。

LlamaIndex 只适合 RAG 吗？

不是。它也提供 Agent、结构化抽取和事件驱动 Workflows，但优势仍集中在“让私有数据可被模型可靠使用”。

是否自带生产级可观测平台？

OSS 提供 instrumentation、callbacks、成本分析和多种第三方集成，不等同于完整托管告警与质量运营平台。

LlamaParse 处理一页多少钱？

没有单一答案。1,000 credits 定价 1.25 美元，一页 credits 随基础、agentic、VLM、layout 和抽取选项变化，应拿真实样本测试。

谁不应该使用 LlamaIndex？

没有私有数据或检索需求、只需简单聊天，或不愿维护 Python 数据管线的团队不应默认引入。

总结

LlamaIndex 最适合把“原始企业数据”变成“可检索、可引用、可行动的 Agent 上下文”。OSS 提供可控构建块，LlamaParse 则用 credits 换取文档解析和托管效率。选型时分别评估解析准确率、检索指标、数据位置、运行时工程和退出成本。通用 Agent 编排优先比较 LangChain，需要完整私有 AgentOS 则比较 Agno。