大家好，大型语言模型（LLMs）正引领人工智能技术的创新浪潮。自从OpenAI推出ChatGPT，企业、开发者纷纷寻求定制化的AI解决方案，从而催生了对开发和管理这些模型的工具和框架的巨大需求。

LlamaIndex和LangChain作为两大领先框架，二者各自的特点和优势，将决定它们在不同场景下的应用。本文介绍这两个框架的主要差异，帮助大家做出明智的选择。

1 LlamaIndex

LlamaIndex 流程

LlamaIndex框架简化了对大型语言模型的个性化数据索引和查询，支持多种数据类型，包括结构化、非结构化及半结构化数据。

LlamaIndex通过将专有数据转化为嵌入向量，使数据能够被最新型的LLMs广泛理解，从而省去了重新训练模型的步骤，提高数据处理的效率和智能化水平。

1.1 工作原理

LlamaIndex 架构

LlamaIndex框架推动了大型语言模型（LLMs）的定制化发展。通过将专属数据嵌入内存，使模型在提供上下文相关回答时表现更佳，将LLMs塑造成领域知识专家。无论是作为AI助手还是对话机器人，LlamaIndex都能根据权威资料（如仅限高层访问的业务信息PDF）准确回应查询。

LlamaIndex采用检索增强生成（RAG）技术，定制化LLMs，包括两个核心步骤：

• 索引阶段：将专有数据转化为富含语义信息的向量索引。

• 查询阶段：系统接收到查询后，迅速匹配并返回最相关的信息块，结合原始问题，由LLM生成精准答案。

1.2 LlamaIndex快速入门

安装llama-index：

pip install llama-index

使用 OpenAI 的 LLM 需要 OpenAI API 密钥。获得秘钥后，在 .env 文件中这样设置：

import os
os.environ["OPENAI_API_KEY"] = "your_api_key_here"

1.3 构建问答应用：LlamaIndex实践

为了展示LlamaIndex的能力，下面进行代码演示，开发一个基于自定义文档回答问题的问答应用程序。

安装依赖项：

pip install llama-index openai nltk

使用LlamaIndex的SimpleDirectoryReader函数加载文档，开始构建索引：

from llama_index.core import (
    VectorStoreIndex,
    SimpleDirectoryReader
)

# 定义SDR函数内的路径，然后构建索引
documents = SimpleDirectoryReader("docs").load_data()
index = VectorStoreIndex.from_documents(documents, show_progress=True)

查询索引并检查响应：

# 查询引擎
query_engine = index.as_query_engine()

response = query_engine.query("If i miss my assignments and projects, 
what grade and percentage will i end up with?")
print(response)

使用 LlamaIndex 建立的 LLM 响应

查询引擎将搜索数据索引，并以相关片段的形式返回响应。还可以通过修改函数将此查询引擎转换为具有记忆的聊天引擎：

chat_engine = index.as_chat_engine()
response = chat_engine.chat("If i miss my assignments and projects, 
what grade and percentage will i end up with?")
print(response)
follow_up = chat_engine.chat("And if i only miss my projects, 
then what grade would i get?")
print(follow_up)

为了避免每次重建索引，可以将其持久化到磁盘：

index.storage_context.persist()

稍后加载回来：

from llama_index.core import (
    StorageContext,
    load_index_from_storage,
)

storage_context = StorageContext.from_defaults(persist_dir="./storage")
index = load_index_from_storage(storage_context)

2 LangChain

Langchain流程

LangChain是一个框架，专门用于基于自定义数据构建个性化的大型语言模型（LLMs）。它能够整合多种数据源，包括关系型数据库、非关系型数据库、APIs，以及自定义知识库。

LangChain通过链式机制运作，将一系列请求和集成工具的输出依次传递，形成连续的处理流程。利用这一机制，LangChain不仅能够确保从您的专有数据中提取相关上下文，还能生成恰当的响应，无论是用于公司的定制问答机器人、内部分析还是与数据源协同工作的AI助手。其内置的链式结构，便于开发者将多样的工具整合进LLM应用，构建出功能全面的系统。

2.1 工作原理

Langchain架构

LangChain框架由以下核心组件构成：

• 提示（Prompts）：这是向模型发出的指令，用以引导模型产生预期的输出或响应。

• 模型接口：LangChain提供了一个用户界面，允许用户快速更换并测试不同的语言模型，包括最新的GPT-4、Gemini 1.5 pro、Hugging Face LLM、Claude 3等。

• 索引技术：框架采用嵌入和内存向量存储等技术，以优化数据的索引和检索。

• 组件链式连接：LangChain简化了不同组件之间的连接流程，使得构建复杂的处理链变得轻而易举。

• AI智能体：提供一系列智能体，协助用户管理和分配任务，以及工具的使用。

2.2 LangChain快速入门

安装LangChain：

pip install langchain

这里使用cohere API密钥。在.env文件中使用 API 密钥设置 cohere 环境变量：

import os
os.environ["cohere_apikey"] = "your_api_key_here"

2.3 构建问答应用：LangChain实践

下面进行代码演示，开发一个基于自定义文档回答问题的问答应用程序。

第一步是安装依赖项：

pip install langchain cohere chromadb ## 我们使用cohere而不是OpenAI的LLM

接着，加载文档数据并创建索引。还将使用 cohere 嵌入生成嵌入：

from langchain.document_loaders import OnlinePDFLoader
from langchain.vectorstores import Chroma
from langchain.embeddings import CohereEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

loader = OnlinePDFLoader(document)
documents = loader.load()

# 初始化文本分割器
text_splitter = RecursiveCharacterTextSplitter(chunk_size=chunksize,chunk_overlap=10,
   separators=[" ", ",", "\n"])

# 初始化Cohere嵌入
embeddings = CohereEmbeddings(model="large", cohere_api_key=st.secrets["cohere_apikey"])

    
texts = text_splitter.split_documents(documents)
global db
db = Chroma.from_documents(texts, embeddings)
retriever = db.as_retriever()
global qa

查询索引并检查响应：

query = "Compare indian constitution's approach to secularism with 
that of other countries?"
result = db.query(query)
print(result)

使用 Langchain 建立的 LLM 响应

查询将对数据进行语义搜索，并检索出对查询的适当回应。如果需要可以使用 langchain 的RetrievalQA模块进行链式处理，这里也使用 cohere 的 LLM：

from langchain.llms import Cohere
from langchain.chains import RetrievalQA

qa = RetrievalQA.from_chain_type(
        llm=Cohere(
            model="command-xlarge-nightly",
            temperature=temp_r,
            cohere_api_key=st.secrets["cohere_apikey"],
        ),
        chain_type="stuff",
        retriever=retriever,
        return_source_documents=True,
        chain_type_kwargs=chain_type_kwargs,
    )

3 LlamaIndex与LangChain应用场景

3.1 LlamaIndex

• 构建具有特定知识库的查询和基于搜索的信息检索系统。

• 开发能够针对用户查询仅提供相关信息片段的问答聊天机器人。

• 对大型文档进行摘要、文本补全、语言翻译等。

3.2 LangChain

• 构建端到端的会话聊天机器人和AI智能体。

• 将自定义工作流程集成到大型语言模型（LLMs）中。

• 通过APIs和其他数据源扩展LLMs的数据连接选项。

3.3 LlamaIndex和LangChain的结合使用案例

• 构建专家级AI智能体：LangChain能够整合多种数据源，而LlamaIndex能够根据相似性语义搜索能力进行策划、摘要，并生成更快的响应。

• 高级研发工具：利用LangChain的链式机制同步管理工具和工作流程，同时使用LlamaIndex帮助生成更具上下文意识的LLM，并获取最相关的响应。

4 选择框架：LlamaIndex vs LangChain

在选择LlamaIndex与LangChain这两个框架之前，需要思考几个关键问题：

• 项目需求：如果目标是构建基础的索引、查询搜索和数据检索系统，LlamaIndex将是合适的选择。若项目需要集成复杂的自定义工作流程，则LangChain将更加合适。

• 易用性：LlamaIndex以其简洁的界面著称，易于上手。相比之下，LangChain则要求用户对自然语言处理（NLP）的概念和组件有更深入的了解。

• 定制程度：LangChain的模块化设计让其在定制化和工具集成方面更为灵活。而LlamaIndex则专注于提供高效的搜索和检索功能。

综上所述，LlamaIndex和LangChain都是构建定制化LLM应用的有力工具。LlamaIndex擅长搜索和检索，而LangChain则以其模块化和集成性胜出。如何选择取决于具体的项目需求、易用性偏好和定制化程度。

如果追求多功能集成和AI智能体，LangChain是理想选择。若目标是高效的信息索引和检索，LlamaIndex则更加合适，并且这两个框架可以协同工作。