LangChain RAG ou LlamaIndex : quel choix pour votre projet ?

LangChain RAG ou LlamaIndex : lequel choisir ?

Choisissez LlamaIndex pour une application centrée sur les documents. Choisissez LangChain pour un agent qui coordonne plusieurs outils. Les deux permettent de construire un système de génération augmentée par la recherche, ou RAG : on récupère les sources pertinentes avant de demander au modèle de répondre.

Pour un fondateur qui développe un assistant de support à partir de manuels produits, LlamaIndex constitue le meilleur point de départ. Ses abstractions de documents, d’index et de moteurs de requête placent le parcours de l’ingestion à la réponse au cœur du code. Commencez par là si vos prochaines questions techniques portent sur des passages manquants, la structure des documents ou les éléments transmis au modèle pour étayer ses réponses.

Pour un développeur dont l’assistant doit lire une politique commerciale, vérifier une commande et demander une validation avant de procéder à un remboursement, LangChain constitue le meilleur point de départ. Son API d’agents actuelle s’organise autour des outils et de la boucle du modèle, avec LangGraph comme socle d’exécution. C’est le bon choix si votre prochaine question concerne l’état de l’application, les validations ou l’action à exécuter ensuite.

Si votre application répond déjà à vos besoins de recherche et de workflow, conservez-la. Changer de framework ne corrigera ni un tableau mal analysé ni une opération de paiement mal sécurisée. N’ajoutez un composant qu’après avoir identifié précisément le problème qu’il doit résoudre.

Ce comparatif porte sur le traitement des documents, le contrôle de l’exécution des agents, les interfaces entre composants et les coûts récurrents. Les conclusions reposent sur la documentation, sans classement issu de mesures de vitesse ou de précision.

Sources : documentation de LlamaIndex, documentation de LangChain, versions des paquets LlamaIndex et LangChain, ainsi que les tarifs des éditeurs pour LlamaParse et LangSmith. Les services hébergés de la ligne tarifaire remplissent des fonctions différentes : leurs abonnements ne sont pas équivalents.

À quoi sert chaque framework aujourd’hui ?

LlamaIndex ne se limite pas à un index, et LangChain ne se limite pas à une collection de chaînes. Leur documentation actuelle accorde une place aux agents dans les deux écosystèmes. La différence tient à la structure de départ la plus utile pour votre projet.

LlamaIndex : pipelines de données et agents documentaires

LlamaIndex est un framework open source destiné aux agents qui exploitent vos données. Ses briques couvrent le chargement des documents, la création de représentations interrogeables, la récupération de sources et la génération de réponses. Ses Workflows prennent aussi en charge des processus pilotés par événements, avec des branches, des tentatives supplémentaires et une validation humaine. La présentation du framework décrit explicitement ce périmètre élargi.

Pour un assistant qui analyse des contrats, l’unité utile est souvent le passage documentaire : son origine, la version dont il est issu et l’influence de la section qui l’entoure sur son sens. L’objet Node de LlamaIndex, un fragment de contenu source accompagné de métadonnées et de relations, permet de gérer ces éléments. Un moteur de requête associe ensuite recherche et génération de réponse. Le guide de VectorStoreIndex détaille ce fonctionnement.

Sa limite reste la qualité des données en entrée. Un chargeur qui aplatit un tableau peut séparer un prix de l’en-tête de sa colonne ; l’indexation conservera fidèlement cette erreur. La documentation de LlamaIndex distingue les lecteurs intégrés, adaptés au texte propre, du service commercial LlamaParse, destiné aux documents plus difficiles. Choisissez le framework pour ses abstractions de données, puis évaluez séparément l’analyse des documents.

La maintenance mérite aussi votre attention : dans la description actuelle du paquet, l’éditeur indique que sa priorité s’est déplacée vers LlamaParse et les outils documentaires associés, tandis que le framework reste disponible sous forme de boîte à outils ouverte. Avant d’adopter une dépendance pour la durée, vérifiez la maintenance des intégrations précises dont vous avez besoin.

LangChain : des agents exécutés sur LangGraph

LangChain est un framework open source dont l’API actuelle create_agent fournit un cadre configurable pour les agents : outils, instructions et logique d’exécution autour du modèle lui permettent d’effectuer des tâches. Les middlewares servent à personnaliser le comportement de cette boucle. La présentation du framework décrit LangGraph comme le socle de ces agents.

Pour un agent de support chargé des commandes, la recherche documentaire peut n’être qu’un outil parmi d’autres. L’application peut aussi consulter le statut d’une livraison et préparer une proposition de remboursement. LangChain est un point de départ naturel lorsque ces interactions entre outils définissent le produit.

Sa limite : une abstraction d’agent ne définit pas vos règles métier à votre place. Il vous revient toujours de préciser qui peut être remboursé, quelle validation est nécessaire et comment empêcher une seconde exécution de rembourser deux fois. Le framework fournit les mécanismes d’exécution ; l’application reste responsable des règles.

LangChain vs LangGraph : à quel niveau intervenir ?

Utilisez l’abstraction d’agent de LangChain si le travail se prête à un modèle qui choisit ses outils. Passez directement à LangGraph si vous devez définir plus explicitement l’état du workflow et ses transitions. LangGraph fait déjà partie des agents LangChain actuels : ajouter de la mémoire ou une validation humaine n’impose donc pas automatiquement de réécrire l’application. Le comparatif LangChain vs LangGraph traite ce choix en détail.

Versions Python et licences au moment de la vérification

Vérification du 13 octobre 2026 : les versions publiées des paquets Python étaient llama-index 0.14.25, llama-index-core 0.14.25, langchain 1.4.5 et langgraph 1.2.15. Ces relevés concernent chaque paquet, pas une version unique commune à toutes les intégrations d’un écosystème.

Les dépôts des deux frameworks sont sous licence MIT : licence de LlamaIndex et licence de LangChain. Les produits hébergés relèvent de conditions commerciales distinctes. La gratuité de la licence du framework ne couvre ni l’inférence du modèle, ni une base vectorielle hébergée, ni le serveur de votre application.

Le même petit projet RAG avec les deux frameworks

Les deux exemples chargent des fichiers texte locaux, construisent un index en mémoire et répondent à la même question à partir des passages récupérés. Ils montrent la forme des API. Ils ont été vérifiés à partir de la documentation, sans être exécutés contre une API de modèle payante pour ce comparatif.

Créez un répertoire data contenant vos propres fichiers .txt de politiques commerciales, encodés en UTF-8. Définissez OPENAI_API_KEY, puis attribuez à RAG_MODEL le même modèle de chat OpenAI disponible sur votre compte pour les deux scripts. Tous deux choisissent explicitement text-embedding-3-small pour les embeddings, ces représentations numériques qui servent à rechercher des contenus similaires. Le tutoriel de démarrage de LlamaIndex recommande de rendre ce choix explicite.

Exemple avec LlamaIndex

Installez llama-index-core, llama-index-readers-file, llama-index-llms-openai et llama-index-embeddings-openai. Le paquet de démarrage llama-index inclut également ces composants ; consultez le guide d’installation.

import os
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI

docs = SimpleDirectoryReader("data", required_exts=[".txt"]).load_data()
embed = OpenAIEmbedding(model="text-embedding-3-small")
index = VectorStoreIndex.from_documents(docs, embed_model=embed)
llm = OpenAI(model=os.environ["RAG_MODEL"])
engine = index.as_query_engine(llm=llm, similarity_top_k=3)
print(engine.query("What is the refund window?"))

Ici, from_documents prend en charge la transformation des documents en nœuds et leur indexation. Le moteur de requête s’occupe de la recherche et de la synthèse de la réponse. C’est l’intérêt pour un petit assistant documentaire : le code exprime directement le traitement des documents, tout en laissant les composants de plus bas niveau accessibles si vous devez le modifier.

Exemple avec LangChain

Installez langchain-core, langchain-openai et langchain-text-splitters. Ce flux de recherche fixe utilise les paquets de composants de LangChain ; le paquet d’agents principal langchain n’est nécessaire qu’à l’ajout d’un agent. Les API sont décrites dans le guide RAG, la référence du stockage en mémoire et l’intégration OpenAI.

import os
from pathlib import Path
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
files = Path("data").glob("*.txt")
docs = [Document(page_content=p.read_text(encoding="utf-8"), metadata={"source": str(p)}) for p in files]
chunks = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100).split_documents(docs)
index = InMemoryVectorStore.from_documents(chunks, OpenAIEmbeddings(model="text-embedding-3-small"))
question = "What is the refund window?"
context = "\n\n".join(d.page_content for d in index.similarity_search(question, k=3))
llm = ChatOpenAI(model=os.environ["RAG_MODEL"])
print(llm.invoke(f"Answer only from this context; if absent, say unknown.\n{context}\nQuestion: {question}").content)

Cette version rend les étapes visibles : charger le texte, le découper, calculer et stocker ses embeddings, récupérer des passages, puis appeler le modèle de chat. Cet assemblage plus explicite devient utile lorsque la recherche n’est qu’une partie d’une application plus vaste.

Recherche et pilotage des agents : quel framework pour quelle tâche ?

LlamaIndex offre la meilleure abstraction de départ pour la recherche documentaire. LangChain offre la meilleure abstraction de départ pour un agent qui coordonne des actions. Il s’agit d’un jugement sur l’adéquation technique au projet, pas d’une incapacité de l’un à accomplir le travail de l’autre.

Ingestion et recherche documentaires : avantage LlamaIndex

Choisissez LlamaIndex si la majorité des évolutions se situeront entre le document brut et les éléments renvoyés au modèle pour étayer sa réponse. Sa structure d’indexation et de moteurs de requête regroupe ce travail. Par exemple, un assistant achats qui répond à partir d’avenants contractuels doit préserver les relations entre les sources avant d’avoir besoin d’une nouvelle boucle d’appel d’outils.

LangChain permet de construire le même flux de recherche. Sa documentation RAG sépare l’indexation de la recherche et de la génération ; l’extrait précédent illustre le cas simple. Si vous disposez déjà d’un bon service de recherche, l’appeler depuis LangChain peut demander moins de travail que l’introduction d’un autre framework.

Le choix s’inverse lorsque la recherche cesse d’être le sous-système difficile. Avec une base de connaissances propre et plusieurs outils métier, l’investissement le plus utile porte plutôt sur le workflow de l’agent.

Agents utilisant des outils et contrôle du workflow : avantage LangChain

Choisissez LangChain lorsque l’application alterne entre consultation de sources et actions : lire une politique, récupérer une fiche client, demander les informations manquantes, puis préparer une action à faire valider. Sa boucle d’agent configurable et son socle LangGraph correspondent à cette structure.

LlamaIndex prend aussi en charge les agents. Le guide de l’éditeur décrit les agents qui utilisent des outils, tandis que son tutoriel de démarrage ajoute la recherche comme outil appelable. Un assistant documentaire qui recherche, calcule et renvoie une réponse peut rester entièrement dans LlamaIndex.

Si votre workflow documentaire y est déjà construit, migrer uniquement parce que le produit possède désormais un « agent » est inutile. Changez de couche d’exécution lorsque les nouveaux besoins de contrôle du workflow le justifient.

LlamaIndex vs LangGraph : des rôles souvent complémentaires

LlamaIndex et LangGraph interviennent souvent à des niveaux différents. LlamaIndex peut préparer et récupérer les sources ; LangGraph peut piloter la progression d’un workflow avec état une fois ces sources reçues. Les Workflows de LlamaIndex constituent une autre option pour cette couche d’exécution. Associer les deux relève donc d’un choix d’architecture, pas d’un contournement imposé par une fonction manquante.

Le critère décisif est la répartition des responsabilités : un composant doit être responsable de la recherche documentaire, et un autre de l’état d’exécution de l’application. Si chacun décide indépendamment des nouvelles tentatives et de l’état de la conversation, diagnostiquer une action répétée devient plus difficile.

Qualité de la recherche : examiner les échecs pour départager les frameworks

Une liste de fonctionnalités ne suffit pas à déclarer un framework plus précis. Utilisez le même corpus et les mêmes questions, puis vérifiez que les bons éléments ont été récupérés avant de juger la rédaction de la réponse.

Pour un assistant de politiques commerciales, prévoyez une question courante sur les remboursements, une question dont la réponse ne figure que dans un avenant, une question sans réponse dans les sources et une question sur un document auquel l’utilisateur n’a pas accès. Une réponse fluide ne suffit pas : vérifiez la version de la source, les droits d’accès et les éléments qui étayent la réponse.

Commencez par un flux de recherche fixe. N’ajoutez une recherche adaptative que lorsqu’une nouvelle collecte de sources pourrait corriger une réponse défaillante. Le guide du RAG agentique explique quand cette boucle de décision supplémentaire justifie son coût.

Qu’est-ce qui est gratuit, et qu’est-ce qui est payant ?

Les frameworks sont gratuits ; le traitement documentaire hébergé, l’observabilité et le déploiement se paient séparément. Les tarifs ci-dessous ont été vérifiés sur les pages tarifaires américaines des éditeurs le 13 octobre 2026.

LlamaCloud et LlamaParse

LlamaParse est le nom désormais employé sur la page tarifaire publique de LlamaIndex pour sa plateforme documentaire hébergée, accessible depuis le tableau de bord LlamaCloud. Elle couvre l’analyse des documents, l’extraction et l’indexation. Ce service commercial complète le framework open source ; il n’est pas nécessaire d’y souscrire pour importer llama_index.

Les offres publiques comprennent Free à $0/mois avec 10,000 crédits, Starter à $50/mois avec 40,000 crédits et Pro à $500/mois avec 400,000 crédits. Enterprise est sur devis. Le tarif standard à l’usage est de $1.25 pour 1,000 crédits.

Le coût d’une page PDF dépend du niveau d’analyse : Fast consomme 1 crédit, Cost-effective 3, Agentic 10 et Agentic Plus 45. Le graphique suivant convertit ces tarifs publiés en valeur des crédits pour un même lot de documents. Il exclut les quotas inclus, les montants minimaux d’abonnement et les options : ce n’est donc pas une facture mensuelle.

Fast produit du texte avec des informations de positionnement, plutôt que du Markdown. Ne le retenez que si cette sortie convient à votre chaîne d’ingestion. Les crédits n’effacent pas non plus les limites des offres : Free et Starter autorisent 5 tâches d’analyse simultanées, contre 20 pour Pro. Passez à l’offre supérieure pour les capacités ou les fonctionnalités nécessaires, sans supposer qu’un lot de crédits plus important réduit automatiquement le prix unitaire. Sources : tarifs à l’usage et comparatif des offres.

LangSmith

LangSmith est la plateforme commerciale d’observabilité, d’évaluation et de déploiement de l’écosystème LangChain. Elle peut tracer des applications construites avec d’autres frameworks, dont LlamaIndex : son choix est donc indépendant de celui du framework. L’éditeur explique cette compatibilité entre frameworks.

La grille tarifaire de LangSmith affiche Developer à $0/mois pour un utilisateur, avec 5,000 traces de base incluses, et Plus à $39 par utilisateur et par mois, avec 10,000 traces de base au total. L’usage supplémentaire est facturé. Enterprise est sur devis.

Une trace enregistre une exécution de l’application et peut contenir plusieurs appels de modèles et événements liés aux outils. Elle ne correspond ni à un token ni à un passage documentaire individuel. Plus inclut un petit déploiement serverless, mais l’usage supplémentaire du déploiement doit être budgété séparément ; l’éditeur recommande un déploiement dédié pour les agents destinés aux clients.

Combien coûte une même charge mensuelle avec chaque framework ?

À consommation égale des mêmes services, changer de framework ne réduit pas les abonnements. Prenons un scénario mensuel volontairement limité, où l’application et l’index sont hébergés séparément :

• Trois développeurs ont besoin d’un accès LangSmith Plus chacun.
• L’application produit 20,000 traces de base.
• Vous analysez 1,000 nouvelles pages PDF avec le niveau Agentic de LlamaParse.
• Les deux implémentations utilisent le même modèle de chat, le même modèle d’embedding et le même volume de tokens.
• Ce scénario n’utilise ni Index hébergé, ni stockage de fichiers conservés, ni autres opérations documentaires consommant des crédits.

L’analyse consomme 1,000 × 10 = 10,000 crédits, ce qui tient dans le quota mensuel Free s’il n’a pas servi à autre chose. Le montant à payer est de $0, même si les crédits consommés représentent $12.50 au tarif catalogue. Ces deux montants ont des sens différents : la valeur des crédits ne génère pas de facture sur l’offre Free. Données du calcul : offres LlamaParse et tarifs à l’usage.

Le calculateur tarifaire actuel de LangSmith indique 0.005 LSU par trace supplémentaire, à $1 par LSU. Trois accès coûtent 3 × $39 = $117. Les traces au-delà du quota partagé coûtent (20,000 − 10,000) × $0.005 = $50. Le sous-total des services retenus s’élève à $167/mois avec LlamaIndex et $167/mois avec LangChain.

Ce sous-total exclut l’inférence du modèle, les embeddings et votre propre hébergement. Le budget total de l’application additionne les services retenus et ces coûts. Comparer une même charge de travail du modèle maintient ces postes à égalité ; si un framework provoque davantage de recherches ou d’appels de modèles, il modifie la charge et doit être mesuré séparément.

Il n’y a ici aucun seuil de consommation où un framework devient moins cher que l’autre : leurs frais de licence restent nuls, et tous deux peuvent utiliser les mêmes services payants. Comparer $50 de traitement documentaire à $39 d’observabilité reviendrait à comparer des prestations différentes. La dépense dépend des services nécessaires à votre application et de leur consommation.

Requête de recherche et tour de chat : deux unités de facturation

Le service Index v2 hébergé de LlamaParse facture une requête de recherche à 1 crédit et un tour de chat à 100 crédits, auxquels s’ajoutent les frais d’analyse et de stockage applicables. Au tarif standard, 1,000 opérations représentent $1.25 de crédits pour la recherche ou $125 pour le chat hébergé, avant les quotas inclus. Ce sont des opérations différentes, pas deux prix pour une réponse identique. Source : tarification d’Index.

Cette distinction compte lorsqu’on associe les frameworks. Si l’agent principal génère déjà la réponse finale, déterminez si son outil de recherche doit renvoyer des sources ou une réponse synthétisée par un autre service. Ce choix modifie l’interface comme la facturation. Un appel local à query_engine.query() n’entraîne pas automatiquement les frais d’un tour de chat d’Index hébergé : le service managé doit effectivement intervenir dans le traitement de la requête.

Quand associer LlamaIndex et LangChain ?

Utilisez les deux lorsque la recherche documentaire et l’orchestration des actions présentent chacune leurs propres difficultés. Un agent de support qui doit interpréter les modifications d’une politique et coordonner un circuit de validation s’y prête bien. Un simple module de questions-réponses sur du texte propre, généralement moins.

Confiez à LlamaIndex l’ingestion et la recherche documentaires. Exposez une fonction ou un service au rôle limité, qui renvoie les passages pertinents avec les identifiants des sources et leurs métadonnées. Laissez l’agent LangChain appeler cette fonction comme un outil, avec LangGraph comme socle d’exécution. Les recommandations de l’éditeur pour associer les frameworks décrivent cette répartition.

Dans l’exemple du support, renvoyez le passage de la politique, l’identifiant du document et les métadonnées de révision. L’agent peut alors les comparer à la commande et proposer une action. Conservez ces références jusqu’à la réponse finale afin que l’application puisse vérifier sur quoi elle s’appuie.

Évitez d’insérer par inadvertance une réponse déjà entièrement synthétisée dans une nouvelle boucle de génération. Une chaîne de caractères renvoyée par un moteur de requête est pratique, mais elle peut masquer les passages d’origine à l’agent principal. Si l’examen des sources est important, préférez un résultat de recherche qui les expose explicitement. N’utilisez des réponses intermédiaires synthétisées que si cette séparation des tâches est volontaire.

Le surcoût de deux frameworks tient à la maintenance : deux ensembles d’intégrations, davantage de mises à jour des dépendances et une interface supplémentaire à instrumenter. Les deux ne se justifient que si vous pouvez décrire la responsabilité de chacun sans dire qu’ils « gèrent l’agent » tous les deux.

Changer de framework : que conserver, et que faut-il revoir ?

Le coût d’une migration réside dans les conventions de données et l’état du workflow, pas dans le remplacement des imports. Pour passer de LlamaIndex à LangChain, ou remplacer les composants de recherche de LangChain par LlamaIndex, commencez par le contrat d’interface de votre application existante.

Gardez les documents sources originaux et des métadonnées exportables. Préservez les identifiants des documents, les étiquettes de droits d’accès, les révisions des sources et les références des citations. Ces éléments appartiennent à l’application. Les objets document et nœud propres à un framework ne font que les adapter à son fonctionnement.

Les embeddings existants peuvent rester utiles si le modèle d’embedding, les dimensions, le texte stocké et le schéma de la base restent compatibles. Ne supposez pas qu’un nouvel adaptateur lira tous les champs sans modification. Si vous changez le découpage des fragments ou le modèle d’embedding, prévoyez de reconstruire l’index concerné et de réévaluer les résultats de recherche. Le guide des bases vectorielles de LlamaIndex distingue son stockage en mémoire par défaut des intégrations persistantes.

Pour les workflows, traitez l’état des conversations, les validations en attente et les actions inachevées comme une migration distincte. Ne rejouez pas les anciens appels d’outils uniquement pour reconstruire l’état : répéter une action externe peut avoir des conséquences, même si la conversation paraît correcte. Définissez comment se termineront les anciennes sessions et comment commenceront les nouvelles avant de basculer le trafic.

Ne migrez pas un agent documentaire LlamaIndex stable pour la seule étiquette « agent ». Ne remplacez pas un flux de recherche LangChain qui fonctionne parce qu’un autre exemple compte moins de lignes. Changez lorsque l’abstraction actuelle rend un besoin précis et récurrent plus difficile à exprimer ou à maintenir.

Questions fréquentes

Par quoi commencer votre prochain projet ?

Partez du problème que votre prototype doit résoudre. S’il faut trouver le bon passage source, construisez d’abord un petit flux de recherche avec LlamaIndex. S’il faut coordonner des outils et des actions validées, commencez avec LangChain et définissez l’état à conserver entre les étapes. Limitez suffisamment le périmètre de la première version fonctionnelle pour pouvoir examiner chaque source récupérée et chaque action proposée.

Utilisez la checklist d’audit des workflows métier avec l’IA pour définir la tâche, les sources nécessaires et le périmètre des validations avant de choisir le framework.