96. LangChain 和 LlamaIndex 在 Agent 开发中的作用是什么？

难度 P1 高频 · 岗位 应用 · 频率 ★★★ · 预计阅读 16 min

本题阅读地图

1. 💡 简要回答
2. 📝 详细解析
3. 🎯 面试总结

👔面试官：LangChain 和 LlamaIndex 在 Agent 开发中起什么作用？

🙋‍♂️我：LangChain 是开发 LLM 应用的框架，提供了 Agent、Chain、Memory 等组件。LlamaIndex 主要做数据索引和检索，增强 LLM 的上下文。

👔面试官：两者有什么区别？什么时候用哪个？

🙋‍♂️我：LangChain 更全面，LlamaIndex 专注检索。做 Agent 用 LangChain，做知识库问答用 LlamaIndex。

👔面试官：LangChain 的 Agent 模块提供了什么功能？Retriever 怎么和 Agent 结合？

好，这道题要对比两大框架在 Agent 开发中的角色。

💡 简要回答

LangChain：LLM 应用开发框架，提供模块化组件（Chains、Agents、Memory、Tools）快速构建 Agent。

LlamaIndex：数据连接和索引框架，将私有数据转换为 LLM 可用的格式，专注 RAG 和检索。

对比：

特性	LangChain	LlamaIndex
核心定位	通用 LLM 应用框架	数据连接和检索
Agent 支持	完善（多种 Agent 类型）	基础（结合检索的 Agent）
检索能力	基础	强大（多种索引、检索策略）
适用场景	Agent、工作流	知识库、文档问答

结合使用：LangChain Agent + LlamaIndex Retriever = 有知识检索能力的 Agent

📝 详细解析

LangChain 核心功能

1. Chains（链）

概念：将多个组件串联的执行流程

示例：
输入 → PromptTemplate → LLM → OutputParser → 输出

代码：
from langchain import PromptTemplate, LLMChain

template = "翻译以下文本为中文：{text}"
prompt = PromptTemplate(template=template, input_variables=["text"])
chain = LLMChain(prompt=prompt, llm=llm)
result = chain.run("Hello world")

进阶：
SequentialChain：多步骤链
RouterChain：条件路由链
TransformChain：数据转换链

2. Agents（智能体）

提供的 Agent 类型：
- Zero-shot ReAct：通用 ReAct Agent
- Conversational ReAct：带对话记忆的 ReAct
- Plan-and-Execute：先规划后执行
- Self-Ask with Search：自我提问+搜索
- XML Agent：支持 XML 格式的 Agent

代码示例：
from langchain.agents import initialize_agent, Tool

tools = [
    Tool(name="Search", func=search, description="搜索工具"),
    Tool(name="Calculator", func=calc, description="计算器")
]

agent = initialize_agent(
    tools,
    llm,
    agent="zero-shot-react-description"
)

agent.run("北京明天天气如何？25乘以48等于多少？")

3. Memory（记忆）

提供的 Memory 类型：
- ConversationBufferMemory：保存完整对话
- ConversationBufferWindowMemory：滑动窗口
- ConversationSummaryMemory：摘要记忆
- VectorStoreRetrieverMemory：向量检索记忆

与 Agent 结合：
from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
agent = initialize_agent(
    tools, llm,
    agent="conversational-react-description",
    memory=memory
)

4. Tools（工具）

内置工具：
- search：搜索工具
- llm-math：数学计算
- python_repl：Python 执行
- terminal：终端命令

自定义工具：
@tool
def my_tool(query: str) -> str:
    """工具描述，LLM 用它判断何时调用"""
    return do_something(query)

LlamaIndex 核心功能

1. 数据连接（Data Connectors）

支持的数据源：
- 文件：PDF、Word、Markdown、TXT
- 数据库：PostgreSQL、MongoDB、Neo4j
- API：Notion、Slack、Discord
- 云服务：AWS S3、Google Drive

代码：
from llama_index import SimpleDirectoryReader

documents = SimpleDirectoryReader('./data').load_data()

2. 索引（Indexing）

索引类型：
- VectorStoreIndex：向量索引（最常用）
- ListIndex：顺序列表
- TreeIndex：树形结构
- KeywordTableIndex：关键词表
- KnowledgeGraphIndex：知识图谱

代码：
from llama_index import VectorStoreIndex

index = VectorStoreIndex.from_documents(documents)

3. 检索（Retrieval）

检索策略：
- 相似度检索（默认）
- 关键词检索
- 混合检索
- 路由检索（多索引）

检索器配置：
retriever = index.as_retriever(
    similarity_top_k=5,
    search_mode="default"
)

nodes = retriever.retrieve("查询内容")

4. 查询引擎（Query Engine）

封装检索+合成：
- 检索相关文档片段
- 用 LLM 合成回答

代码：
query_engine = index.as_query_engine()
response = query_engine.query("总结这份文档")

Chat Engine（对话）：
chat_engine = index.as_chat_engine()
response = chat_engine.chat("之前说了什么？")

结合使用场景

场景：企业知识库 Agent

需求：
- 能回答公司文档相关问题
- 能调用工具执行任务
- 保持对话上下文

架构：
┌─────────────────────────────────────────────┐
│              LangChain Agent                │
│  ┌──────────────────────────────────────┐  │
│  │  Tools:                              │  │
│  │  - search: LlamaIndex Retriever      │  │
│  │  - calculator: 计算器                 │  │
│  │  - email: 发邮件工具                  │  │
│  └──────────────────────────────────────┘  │
│  ┌──────────────────────────────────────┐  │
│  │  Memory: ConversationBufferMemory     │  │
│  └──────────────────────────────────────┘  │
└─────────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────────┐
│           LlamaIndex Index                  │
│  - VectorStoreIndex (公司文档)               │
│  - 文档：产品手册、API文档、内部规范         │
└─────────────────────────────────────────────┘

代码实现：
# 1. LlamaIndex 构建知识库
from llama_index import VectorStoreIndex, SimpleDirectoryReader

docs = SimpleDirectoryReader('./company_docs').load_data()
index = VectorStoreIndex.from_documents(docs)
retriever = index.as_retriever(similarity_top_k=3)

# 2. 包装为 LangChain Tool
from langchain.tools import Tool

search_tool = Tool(
    name="CompanyDocSearch",
    func=lambda q: str(retriever.retrieve(q)),
    description="搜索公司内部文档，回答产品、流程相关问题"
)

# 3. 构建 LangChain Agent
from langchain.agents import initialize_agent

agent = initialize_agent(
    [search_tool, calculator_tool, email_tool],
    llm,
    agent="conversational-react-description",
    memory=ConversationBufferMemory()
)

agent.run("查一下产品 X 的定价策略，然后发邮件给销售团队")

框架选择建议

选 LangChain 如果：

• 构建复杂 Agent
• 需要多工具协调
• 需要工作流编排
• 需要灵活的 Chain 组合

选 LlamaIndex 如果：

• 主要需求是 RAG
• 复杂的数据索引需求
• 多种数据源整合
• 高级检索策略

两者结合如果：

• 需要既有知识检索又有工具调用的 Agent
• 企业级复杂应用
• 需要最佳的两个功能

🎯 面试总结

这道题容易踩的雷：

1. 只说 LangChain 做 Agent：不知道具体组件。

2. 只说 LlamaIndex 做检索：不知道它也有基础 Agent 功能。

3. 不了解结合使用：不知道两者如何配合。

答题要点：

• 说明 LangChain 的四大组件（Chains、Agents、Memory、Tools）
• 说明 LlamaIndex 的四大功能（连接、索引、检索、查询）
• 对比两者定位差异
• 举例说明结合使用场景

---

来源参考：LangChain Documentation, LlamaIndex Documentation, Building LLM Applications

---

章节首页 · ← Q95 · Q97 →