Langchain vs Llamaindex：比较指南-人工智能-PHP中文网

您可以将Langchain视为Aframeworkrather，而不仅仅是停留。它提供了各种各样的工具，可以与大型语言模型（LLMS）进行交互。 Langchain的一个关键特征是使用链，可以将组件链在一起。例如，您可以使用提示模板和llmchain来创建提示并查询LLM。这种模块化结构促进了各种组件的简便而灵活的集成，以进行复杂的任务。

Langchain简化了LLM应用程序生命周期的每个阶段：

开发：使用Langchain的开源构建块，组件和三方集成来构建应用程序。 Uselanggraphto建立具有一流流和人类支持的状态代理。
生产：使用langmith进行检查，监视和评估链条，以便您可以不断地对其充满信心地进行优化和部署。
部署：将您的Langgraph应用程序转变为可生产的API和Langgraph Cloud的助手。

Langchain生态系统

Langchain核心：基础抽象和兰链表达语言。
集成软件包（例如Langchain-Openai，Langchain-Manthropic等）：重要的集成已分为Langchain Team和Integration Developers共同维护的轻量级软件包。
Langchain：构成应用程序认知架构的链，代理和检索策略。
Langchain-Community：维持社区的第三方整合。
langgraph：通过将步骤建模为图中的边和节点，将使用LLMS构建强大且状态的多演员应用程序。与Langchain平稳集成，但可以没有它。
Langgraphplatform：部署由Langgraph构建的LLM应用程序。
Langsmith：一个开发人员平台，可让您调试，测试，评估和监视LLM应用程序。

使用Langchain和OpenAI构建您的第一个LLM应用程序

让我们使用Langchain和OpenAI进行简单的LLM应用程序，也了解其工作原理：

让我们从安装软件包开始

！
！

登录后复制

将Openai设置为LLM

导入GetPass
导入操作系统
来自langchain_openai进口chatopenai

os.environ [“ openai_api_key”] = getPass.getPass（）
型号= chatopenai（model =“ gpt-4o-mini”）

登录后复制

只需调用模型，我们可以将消息列表传递给.invokemethod。

来自langchain_core.messages导入人类，系统杂音

消息= [
    SystemMessage（“将以下内容从英语翻译成意大利语”），
    人类（“嗨！”），
这是给出的

模型。

登录后复制

Langchain vs Llamaindex：比较指南

现在，让我们创建一个提示模板。提出模板，除了在兰链中的一个概念，旨在协助这种转换。他们接收原始的用户输入并返回数据（提示），该数据已准备好进入语言模型。

来自langchain_core.prompts导入chatprompttemplate

system_template =“将以下内容从英语转换为{language}”

提示_template = chatprompttemplate.from_messages（
    [（“ System”，System_Template），（“用户”，“ {text}”）]
）

登录后复制

在这里，您可以看到它需要两个变量，语言和文本。我们将ThelanguageParameter格式化到系统消息中，并将UserTextInto作为用户消息。此提示模板的输入是字典。我们可以单独使用此提示模板来玩耍。

提示= stript_template.invoke（{“语言”：“意大利语”，“ text”：“ hi！”}）

迅速的

登录后复制

Langchain vs Llamaindex：比较指南

我们可以看到它返回Achatpromptvaluethat由两条消息组成。如果我们想直接访问消息，我们会这样做：

提示to_messages（）

登录后复制

Langchain vs Llamaindex：比较指南

最后，我们可以在格式的提示中调用聊天模型：

响应=模型。
打印（响应。包含）

登录后复制

Langchain vs Llamaindex：比较指南

Langchain具有高度的用途和适应性，为不同的NLP应用程序提供了多种工具，
从简单的查询到复杂的工作流程。您可以在此处阅读有关Langchain组件的更多信息。

什么是LlamainDex？

LlamainDex（以前称为GPT指数）是一个框架，用于与包括代理和工作流程在内的LLM建立上下文增强的生成AI应用程序。它的主要重点是摄入，结构和访问特定于私有或域的数据。 Llamaindex擅长管理大型数据集，从而迅速而精确的信息检索，使其非常适合搜索和检索任务。它提供了一组工具，使其易于将自定义数据集成到LLM中，尤其是对于需要高级搜索功能的项目。

LlamainDex对于数据索引和查询非常有效。根据我在LlamainDex的经验，它是使用矢量嵌入和抹布的理想解决方案。

LlamainDex对您如何使用LLM并没有限制。您可以将LLMS用作自动完成，聊天机器人，代理等。它只是使使用它们更容易。

他们提供了类似的工具：

数据连接器从其本机源和格式中摄入您的现有数据。这些可能是API，PDF，SQL等。
数据索引在中间表示中构建您的数据，而LLMS可以消耗的中间表示。
引擎可以自然访问您的数据。例如：
- 查询引擎是提问的强大接口（例如抹布流）。
- 聊天引擎是与数据的多消息“来回”交互的对话界面。
代理是LLM驱动的知识工作者，通过工具增强，从简单的辅助功能到API集成等等。
可观察性/评估集成使您能够在良性周期中严格实验，评估和监视您的应用程序。
工作流程使您可以将上述所有内容组合到事件驱动的系统中比其他基于图的方法更灵活。

Llamaindex生态系统

就像Langchain一样，LlamainDex也有自己的生态系统。

llama_deploy：部署您的代理工作流程作为生产微服务
Llamahub：一个大型（且不断增长！）的定制数据连接器集合
SEC Insights： LlamainDEX驱动的金融研究申请
Create-lalama：快速脚手架Llamaindex项目的CLI工具

使用LlamainDex和OpenAI构建您的第一个LLM应用程序

让我们使用LlamainDex和OpenAI进行简单的LLM应用程序，也了解其工作原理：

让我们安装库

！pip安装骆驼索引

登录后复制

设置OpenAI键：

LlamainDex使用OpenAi'sgpt-3.5 turboby默认值。通过将其设置为环境变量，请确保您的API密钥可用于代码。在MacOS和Linux中，这是命令：

导出OpenAI_API_KEY = XXXXX

登录后复制

在窗户上是

设置OpenAI_API_KEY = XXXXX

登录后复制

这个示例使用了保罗·格雷厄姆（Paul Graham）的文章“我从事的工作”。

下载Datavia此链接和将其保存在一个名为Data的文件夹中。

来自llama_index.core导入vectorstoreindex，simpledirectoryReader

documents = simpleDirectoryReader（“ data”）.load_data（）
index = vectorstoreindex.from_documents（文档）
query_engine = index.as_query_engine（）
响应= query_engine.query（“这篇文章是什么？”）
打印（响应）

登录后复制

Langchain vs Llamaindex：比较指南

LlamainDex摘要查询过程，但从本质上将查询与矢量化数据（或索引）中最相关的信息进行了比较，然后将其作为LLM的上下文提供。

Langchain与LlamainDex之间的比较分析

Langchain和Llamaindex迎合了由大型语言模型（LLMS）提供动力的NLP应用领域的不同优势和用例。这是一个详细的比较：

特征	Llamaindex	Langchain
数据索引	- 将各种数据类型（例如，非结构化文本，数据库记录）转换为语义嵌入。 - 优化用于创建可搜索的向量索引。	- 启用模块化和可自定义的数据索引。 - 利用链条进行复杂操作，集成多个工具和LLM调用。
检索算法	- 专门研究基于语义相似性的排名文档。 - 擅长高效，准确的查询性能。	- 将检索算法与LLMS结合在一起，以产生上下文感知的响应。 - 非常适合需要动态信息检索的交互式应用程序。
定制	- 有限的定制，定制为索引和检索任务。 - 专注于其专业领域内的速度和准确性。	- 从聊天机器人到工作流程自动化的各种应用程序的高度定制。 - 支持复杂的工作流和量身定制的输出。
上下文保留	- 保留查询环境的基本功能。 - 适用于直接搜索和检索任务。	- 维持连贯的长期相互作用的高级上下文保留。 - 聊天机器人和客户支持应用程序必不可少的。
用例	最适合内部搜索系统，知识管理和需要精确信息检索的企业解决方案。	非常适合交互式应用程序，例如客户支持，内容生成和复杂的NLP任务。
表现	- 优化以快速准确的数据检索。 - 有效处理大型数据集。	- 处理复杂的工作流程并无缝集成各种工具。 - 平衡性能与复杂的任务要求。
生命周期管理	- 提供调试和监视工具以跟踪性能和可靠性。 - 确保平稳的应用生命周期管理。	- 提供Langsmith评估套件进行测试，调试和优化。 - 确保在现实情况下的稳健性能。

这两个框架都提供了强大的功能，它们之间的选择应取决于您项目的特定需求和目标。在某些情况下，结合LlamainDex和Langchain的优势可能会带来最佳效果。

结论

Langchain和Llamaindex都是强大的框架，但满足了不同的需求。 Langchain是高度模块化的，旨在处理涉及链条，提示，模型，内存和代理的复杂工作流程。它在需要复杂的上下文保留和交互管理的应用中表现出色，
例如聊天机器人，客户支持系统和内容生成工具。它与诸如Langmith等工具进行评估和Langserve进行部署的集成可以增强开发和优化生命周期，使其成为动态，长期应用的理想选择。

另一方面，LlamainDex专门研究数据检索和搜索任务。它有效地将大型数据集转换为语义嵌入，以快速准确地检索，这是基于抹布的应用程序，知识管理和企业解决方案的绝佳选择。 Llamahub通过提供数据加载程序来整合多种数据源，从而进一步扩展了其功能。

最终，请选择Langchain，如果您需要一个灵活的，上下文感知的框架来进行复杂的工作流和互动较重的应用，而LlamainDex最适合于从大型数据集中快速，精确的信息检索系统。