LlamaIndex или LangChain: что выбрать для RAG и ИИ-агентов

LlamaIndex или LangChain: что выбрать для своей задачи?

Выбирайте LlamaIndex, если приложение строится вокруг документов. Выбирайте LangChain, если агент координирует работу нескольких инструментов. Оба позволяют реализовать RAG — генерацию, дополненную поиском: сначала система находит подходящие исходные материалы, а затем передаёт их модели для ответа.

Если вы создаёте ассистента поддержки, который отвечает по руководствам к продукту, начать удобнее с LlamaIndex. Его абстракции документов, индексов и механизмов запросов выстраивают код вокруг пути от загрузки данных до ответа. Это подходящий выбор, когда ближайшие инженерные вопросы — почему не находится нужный фрагмент, как устроен документ и какие подтверждающие материалы доходят до модели.

Если же ассистент должен прочитать правила, проверить заказ и запросить одобрение перед возвратом денег, начать удобнее с LangChain. В его актуальном API агентов центральное место занимают инструменты и цикл работы модели, а исполнение обеспечивает LangGraph. Такой подход подходит, когда нужно разобраться с состоянием, согласованием или порядком дальнейших действий.

Если существующее приложение уже отвечает требованиям к поиску и рабочим процессам, оставьте его как есть. Смена фреймворка не исправит плохо распознанную таблицу и не сделает платёжную операцию безопасной. Добавляйте компонент только тогда, когда можете назвать конкретную проблему, которую он решит.

В этом сравнении рассматриваются работа с документами, управление выполнением агентов, границы интеграций и текущие расходы. Выводы основаны на документации; замеров скорости и точности для ранжирования фреймворков здесь нет.

Источники: документация LlamaIndex, документация LangChain, релизы пакета LlamaIndex и пакета LangChain, а также страницы разработчиков с тарифами LlamaParse и тарифами LangSmith. Облачные сервисы в строке с ценами решают разные задачи: это не равнозначные подписки.

Для чего сегодня нужен каждый фреймворк?

LlamaIndex давно не ограничивается индексом, а LangChain — набором цепочек. В актуальной документации обеих экосистем есть агенты. Различие в том, какая из них предлагает более удобную исходную структуру для вашей задачи.

LlamaIndex: обработка данных и агенты для документов

LlamaIndex — открытый фреймворк для агентов, работающих с вашими данными. Его компоненты позволяют загружать документы, создавать представления для поиска, находить подтверждающие материалы и генерировать ответы. Workflows также поддерживают событийные процессы с ветвлением, повторными попытками и проверкой человеком. Этот расширенный набор задач прямо описан в обзоре фреймворка от разработчика.

Для ассистента по договорам ключевая единица данных — часто отдельный фрагмент документа: откуда он взят, к какой версии относится и меняет ли окружающий раздел его смысл. В LlamaIndex для управления такими материалами есть Node — фрагмент исходного содержимого с метаданными и связями. Механизм запросов затем объединяет поиск и генерацию ответа. Подробнее об этом — в руководстве по VectorStoreIndex.

Возможности фреймворка ограничены качеством входных материалов. Если загрузчик превращает таблицу в сплошной текст, цена может потерять связь с заголовком столбца; индексирование лишь сохранит эту ошибку. Сама документация LlamaIndex разделяет встроенные средства чтения чистого текста и коммерческий сервис LlamaParse для сложных документов. Выбирайте фреймворк по его абстракциям данных, а качество разбора документов оценивайте отдельно.

Стоит учитывать и дальнейшее сопровождение. В актуальном описании пакета разработчик сообщает, что основной фокус сместился на LlamaParse и связанные инструменты работы с документами, а фреймворк остаётся доступным открытым набором инструментов. Если планируете использовать зависимость долго, заранее проверьте, как поддерживаются нужные вам интеграции.

LangChain: агенты на базе LangGraph

LangChain — открытый фреймворк, в котором актуальный API create_agent задаёт настраиваемую среду работы агента: инструменты, инструкции и логику исполнения вокруг модели. Промежуточные обработчики, или middleware, позволяют менять поведение этого цикла. В обзоре фреймворка LangGraph указан как основа выполнения таких агентов.

Для агента поддержки по заказам поиск может быть лишь одним из инструментов. Приложение также может проверять статус доставки и готовить предложение о возврате денег. С LangChain удобно начинать, когда именно взаимодействие с такими инструментами определяет работу продукта.

При этом абстракция агента не определит за вас обязательные бизнес-правила. Кто имеет право на возврат, какое согласование требуется и как не выдать деньги дважды при повторном выполнении — всё это по-прежнему задаёт разработчик приложения. Фреймворк предоставляет механизмы исполнения, а правила остаются ответственностью приложения.

LangChain или LangGraph: какой уровень управления нужен?

Используйте абстракцию агента LangChain, если для задачи подходит схема, в которой модель выбирает инструменты. Обращайтесь к LangGraph напрямую, когда нужно более явно описать состояния рабочего процесса и переходы между ними. LangGraph уже входит в основу актуальных агентов LangChain, поэтому добавление памяти или проверки человеком само по себе не требует переписывать приложение. Этот выбор подробно разобран в отдельном сравнении LangChain и LangGraph.

Актуальные версии Python-пакетов и лицензии

Проверено 13 октября 2026 года: опубликованы Python-пакеты llama-index 0.14.25, llama-index-core 0.14.25, langchain 1.4.5 и langgraph 1.2.15. Это версии отдельных пакетов на дату проверки, а не единый номер версии для всех интеграций экосистемы.

Оба репозитория фреймворков распространяются по лицензии MIT: лицензия LlamaIndex и лицензия LangChain. Для облачных продуктов действуют отдельные коммерческие условия. Бесплатная лицензия фреймворка не покрывает вызовы моделей, облачную векторную базу или сервер приложения.

Одна небольшая RAG-задача на двух фреймворках

Оба примера загружают локальные текстовые файлы, создают индекс в памяти и отвечают на один и тот же вопрос по найденным материалам. Они показывают устройство API. В рамках этого сравнения код сверяли с документацией, но не запускали с платным API модели.

Создайте каталог data со своими файлами правил в формате .txt и кодировке UTF-8. Задайте OPENAI_API_KEY, а в RAG_MODEL укажите одну и ту же чат-модель OpenAI, доступную вашему аккаунту, для обоих скриптов. В обоих примерах явно выбран text-embedding-3-small для получения эмбеддингов — числовых представлений, по которым ищут близкие по смыслу материалы. Вводное руководство LlamaIndex рекомендует задавать модель эмбеддингов явно.

Минимальный пример LlamaIndex для RAG

Установите llama-index-core, llama-index-readers-file, llama-index-llms-openai и llama-index-embeddings-openai. Можно также установить стартовый пакет llama-index, который включает эти компоненты; см. руководство по установке.

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?"))

Здесь from_documents преобразует документы в узлы и строит индекс. Механизм запросов отвечает за поиск и формирование ответа. Для небольшого ассистента по базе знаний это удобно: код прямо описывает работу с документами, а компоненты более низкого уровня остаются доступны, если понадобится изменить поведение.

Минимальный пример на LangChain

Установите langchain-core, langchain-openai и langchain-text-splitters. В этом поисковом процессе с фиксированными шагами используются отдельные пакеты компонентов LangChain. Основной пакет langchain для агентов понадобится только при добавлении агента. API описаны в руководстве по RAG, справочнике по хранилищу в памяти и документации интеграции с 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)

В этом варианте все шаги видны явно: загрузка текста, разбиение, получение и сохранение эмбеддингов, поиск фрагментов и вызов чат-модели. Такая сборка из отдельных компонентов полезна, когда поиск — лишь часть более крупного приложения.

Поиск и управление агентами: кто лучше подходит для каждой задачи?

LlamaIndex предлагает более удобную исходную абстракцию для поиска по документам. LangChain — для агента, координирующего действия. Это выводы о соответствии инженерной задаче, а не утверждение, что один фреймворк не способен выполнять работу другого.

Загрузка документов и поиск: преимущество у LlamaIndex

Выбирайте LlamaIndex, если большинство изменений предстоит вносить на пути от исходного документа до подтверждающих материалов, которые получает модель. Структура индексов и механизмов запросов объединяет эту работу. Например, ассистенту по закупкам, который отвечает на вопросы с учётом дополнений к договорам, в первую очередь нужно сохранять связи между источниками, а уже потом — добавлять ещё один цикл вызова инструментов.

LangChain позволяет построить такой же поисковый процесс. В его документации по RAG индексирование отделено от поиска и генерации, а приведённый выше код показывает простой вариант. Если у вас уже есть хороший поисковый сервис, вызвать его из LangChain может быть проще, чем вводить ещё один фреймворк.

Выбор меняется, когда поиск перестаёт быть самой сложной подсистемой. Если база знаний уже приведена в порядок, а приложению нужны несколько бизнес-инструментов, разумнее вкладываться в рабочий процесс агента.

LangChain для ИИ-агентов: инструменты и управление процессом

Выбирайте LangChain, когда приложение чередует работу с подтверждающими материалами и действия: читает правила, получает данные клиента, запрашивает недостающую информацию, затем готовит действие к согласованию. Настраиваемый цикл агента и лежащий в его основе LangGraph хорошо соответствуют такой структуре.

В LlamaIndex тоже есть агенты. Официальное руководство по агентам описывает использование инструментов, а вводный учебный пример подключает поиск как вызываемый инструмент. Ассистент по документам, который ищет, вычисляет и возвращает ответ, может целиком работать на LlamaIndex.

Если процесс уже построен на LlamaIndex и сосредоточен на документах, переезжать только потому, что в продукте теперь появился «агент», незачем. Меняйте слой исполнения, только если этого требуют новые задачи управления процессом.

LlamaIndex и LangGraph: как разделить ответственность?

LlamaIndex и LangGraph часто нужны на разных уровнях архитектуры. LlamaIndex может готовить и находить подтверждающие материалы, а LangGraph — управлять дальнейшими шагами процесса с сохраняемым состоянием. Для слоя исполнения также подходят собственные Workflows в LlamaIndex. Поэтому совместное использование — архитектурный выбор, а не способ закрыть отсутствующую функцию.

Проверка проста: один компонент должен отвечать за поиск по документам, другой — за состояние выполнения приложения. Если оба независимо управляют повторными попытками и состоянием диалога, разбираться в причинах повторного действия будет сложнее.

Качество поиска: проверяйте причины ошибок

Список функций не даёт ни одному фреймворку права считаться более точным. Возьмите одинаковые источники и вопросы, а затем проверьте, найдены ли нужные подтверждающие материалы. Только после этого оценивайте формулировку ответа.

Для ассистента по правилам включите обычный вопрос о возврате денег, вопрос, ответ на который есть только в дополнении, вопрос без ответа в источниках и вопрос о документе, к которому у пользователя нет доступа. Гладкого текста недостаточно: проверяйте версию источника, соблюдение прав доступа и наличие подтверждений для ответа.

Начните с поиска с фиксированными шагами. Добавляйте адаптивный поиск лишь там, где ещё один этап сбора материалов способен исправить неудачный ответ. В разборе агентного RAG объясняется, когда дополнительный цикл принятия решений оправдывает расходы.

Что бесплатно, а за что придётся платить?

Фреймворки бесплатны; облачная обработка документов, мониторинг работы приложения и развёртывание оплачиваются отдельно. Приведённые ниже цены проверены на действующих страницах тарифов разработчиков для США 13 октября 2026 года.

LlamaCloud и LlamaParse

LlamaParse — название, под которым на публичной странице тарифов LlamaIndex сейчас представлена облачная платформа работы с документами. Доступ к ней открывается через панель LlamaCloud. Платформа включает разбор документов, извлечение данных и индексирование. Это отдельный коммерческий сервис рядом с открытым фреймворком: для импорта llama_index подписка не нужна.

В открытой тарифной сетке указаны Free за $0/месяц с 10,000 кредитов, Starter за $50/месяц с 40,000 кредитов и Pro за $500/месяц с 400,000 кредитов. Условия Enterprise согласовываются индивидуально. Стандартная стоимость использования — $1.25 за 1,000 кредитов.

Расход на страницу PDF зависит от режима разбора: Fast использует 1 кредит, Cost-effective — 3, Agentic — 10, Agentic Plus — 45. Диаграмма ниже пересчитывает эти опубликованные расценки в стоимость кредитов для одной и той же партии документов. В расчёте не учитываются включённые лимиты, минимальная плата за подписку и дополнительные опции, поэтому это не месячный счёт.

Fast возвращает текст с сохранением пространственного расположения вместо Markdown. Выбирайте его, только если такой результат подходит вашему процессу загрузки данных. Наличие кредитов также не отменяет ограничений тарифа: Free и Starter допускают 5 одновременных задач разбора, а Pro — 20. Переходите на старший тариф ради нужной производительности или функций; больший пакет кредитов сам по себе не означает, что каждый кредит стоит дешевле. Источники: расценки на использование и сравнение тарифов.

LangSmith

LangSmith — коммерческая платформа экосистемы LangChain для мониторинга, оценки качества и развёртывания приложений. Она умеет записывать трассировки приложений, построенных на других фреймворках, включая LlamaIndex. Поэтому выбор LangSmith не зависит от выбора фреймворка. Разработчик описывает эту поддержку разных фреймворков.

На странице тарифов LangSmith указаны Developer за $0/месяц на одно место, включая 5,000 базовых трассировок, и Plus за $39 за место в месяц, включая 10,000 базовых трассировок суммарно. Использование сверх лимита оплачивается отдельно. Стоимость Enterprise определяется индивидуально.

Трассировка фиксирует выполнение приложения и может включать несколько вызовов модели и событий инструментов. Это не токен и не отдельный найденный фрагмент. В Plus входит небольшое бессерверное развёртывание, но расходы на дополнительное использование среды развёртывания нужно планировать отдельно. Для агентов, обслуживающих клиентов, поставщик рекомендует выделенное развёртывание.

Одинаковая месячная нагрузка: сколько стоит каждый вариант?

При одинаковом использовании одних и тех же сервисов смена фреймворка не даёт экономии на подписках. Рассмотрим намеренно узкий месячный сценарий, в котором приложение и индекс размещены отдельно:

• Трём разработчикам нужны места в LangSmith Plus.
• Приложение создаёт 20,000 базовых трассировок.
• Вы разбираете 1,000 новых страниц PDF в режиме Agentic сервиса LlamaParse.
• В обеих реализациях используются одинаковые чат-модель, модель эмбеддингов и объём токенов.
• В этом сценарии не используются облачный Index, хранение файлов или другие операции с документами, расходующие кредиты.

На разбор уходит 1,000 × 10 = 10,000 кредитов. Это укладывается в месячный лимит Free, если он не потрачен на другие задачи. Фактическая плата составляет $0, хотя стоимость израсходованных кредитов по прайс-листу — $12.50. Это разные величины: стоимость кредитов не превращается в счёт на тарифе Free. Данные для расчёта: тарифы LlamaParse и расценки на использование.

В актуальном калькуляторе LangSmith указано 0.005 LSU за дополнительную трассировку при цене $1 за LSU. Три места стоят 3 × $39 = $117. Трассировки сверх общего лимита обходятся в (20,000 − 10,000) × $0.005 = $50. Итого выбранные сервисы стоят $167/месяц с LlamaIndex и $167/месяц с LangChain.

В эту сумму не входят вызовы моделей, эмбеддинги и собственный хостинг. Полный бюджет приложения складывается из выбранных сервисов и этих расходов. При одинаковой нагрузке на модели соответствующие затраты остаются одинаковыми. Если фреймворк вызывает дополнительный поиск или лишние обращения к модели, нагрузка меняется — это нужно измерять отдельно.

Здесь нет порога, после которого один фреймворк становится дешевле другого: лицензионная плата у обоих остаётся нулевой, и оба могут использовать одни и те же платные сервисы. Сопоставлять $50 за обработку документов и $39 за мониторинг — значит сравнивать разные работы. Расходы определяются тем, какой сервис нужен приложению и сколько ресурсов оно потребляет.

Почему поисковый запрос и ход диалога стоят по-разному?

В облачном Index v2 сервиса LlamaParse поисковый запрос стоит 1 кредит, а ход диалога — 100 кредитов. К ним добавляются соответствующие расходы на разбор и хранение. По стандартной ставке 1,000 операций имеют стоимость в кредитах $1.25 для поиска или $125 для облачного чата, без учёта включённых лимитов. Это разные операции, а не две цены за одинаковый ответ. Источник: тарифы Index.

Это различие важно при проектировании связки фреймворков. Если внешний агент уже генерирует итоговый ответ, определите, что должен возвращать его поисковый инструмент: подтверждающие материалы или ответ, сформированный другим сервисом. От этого зависят и интерфейс, и тарификация. Локальный вызов query_engine.query() сам по себе не приводит к списанию за ход диалога в облачном Index: запрос должен действительно проходить через управляемый сервис.

Когда стоит использовать LlamaIndex и LangChain вместе?

Используйте оба фреймворка, если и поиск по документам, и координация действий сложны сами по себе. Хороший пример — агент поддержки, который должен учитывать дополнения к правилам и проводить действия через согласование. Для простого поля вопросов и ответов по чистому тексту такая связка обычно избыточна.

Поручите LlamaIndex загрузку документов и поиск. Откройте доступ через узкую функцию или сервис, возвращающий подходящие фрагменты с идентификаторами источников и метаданными. Агент LangChain будет вызывать эту функцию как инструмент, а LangGraph — обеспечивать его выполнение. Такое разделение описано в рекомендациях разработчика по совместному использованию фреймворков.

В примере с поддержкой возвращайте фрагмент правил, идентификатор его документа и метаданные редакции. Агент сможет сопоставить их с записью заказа и подготовить предлагаемое действие. Сохраняйте ссылки на источники вплоть до итогового ответа, чтобы приложение могло проверить, на чём он основан.

Не допускайте, чтобы уже сформированный ответ случайно попадал в ещё один цикл генерации ответа. Строка, полученная от механизма запросов, удобна, но может скрывать исходные фрагменты от внешнего агента. Если важно проверять источники, возвращайте результаты поиска с явными подтверждающими материалами. Используйте готовые промежуточные ответы, только если такое разделение задач предусмотрено намеренно.

Дополнительная цена двух фреймворков — сопровождение: две области интеграции, больше обновлений зависимостей и ещё одна граница, которую нужно охватить мониторингом. Связка оправдана, только если вы можете чётко описать ответственность каждого, не сводя обе к словам «управляет агентом».

Переход на другой фреймворк: что переносится, а что ломается?

Основные затраты на миграцию связаны с организацией данных и состоянием процессов, а не с заменой строк импорта. Переход с LlamaIndex на LangChain или замена поисковых компонентов LangChain на LlamaIndex должны начинаться с контракта, который предоставляет существующее приложение.

Сохраните исходные документы и метаданные, которые можно экспортировать. Не теряйте идентификаторы документов, метки доступа, версии источников и ссылки на цитируемые фрагменты. Эти данные принадлежат приложению. Специфичные для фреймворка объекты документов и узлов — лишь адаптеры для работы с ними.

Готовые эмбеддинги могут остаться пригодными, если совместимы модель эмбеддингов, размерность, сохранённый текст и схема базы данных. Не рассчитывайте, что новый адаптер прочитает все поля без изменений. Если вы меняете границы фрагментов или модель эмбеддингов, запланируйте перестроение затронутого индекса и повторную оценку поиска. Руководство LlamaIndex по векторным хранилищам различает используемое по умолчанию хранилище в памяти и интеграции с постоянным хранением.

Состояние диалога, ожидающие согласования и незавершённые действия переносите как отдельную часть системы. Не воспроизводите прежние вызовы инструментов только ради восстановления состояния: повторное внешнее действие может иметь последствия, даже если диалог выглядит корректно. До переключения трафика определите, как будут завершаться старые сессии и начинаться новые.

Не меняйте стабильно работающего агента LlamaIndex по документам только ради слова «агент». Не заменяйте работающий поиск LangChain из-за того, что в другом примере меньше строк. Переход оправдан, когда текущая абстракция мешает выразить или поддерживать конкретное, регулярно возникающее требование.

Частые вопросы

С чего начать разработку?

Начните с проблемы, которую должен решить прототип. Если сложно найти нужный фрагмент источника, сначала соберите небольшой поисковый процесс на LlamaIndex. Если нужно координировать инструменты и согласованные действия, начните с LangChain и определите, какое состояние должно сохраняться между шагами. Ограничьте первую рабочую версию так, чтобы можно было проверить каждый найденный источник и каждое предлагаемое действие.

Прежде чем выбирать фреймворк, используйте чек-лист аудита бизнес-процессов с ИИ, чтобы определить задачу, требования к подтверждающим материалам и границы обязательного согласования.