LangChain vs LlamaIndex 2026 选型指南：7 个真实场景告诉你该选哪一个

导语

LangChain 在 2026-07 累计 142,680 stars，LlamaIndex 同期 51,142 stars。两个开源项目都已经过了「demo 玩具」的阶段——前者把自己定位为「The agent engineering platform」，后者自称「leading document agent and OCR platform」。这句话本身就揭示了它们的真实差异：LangChain 想吃掉整个 Agent 编排生态（中间件、LangGraph 状态机、LangSmith 可观测性），LlamaIndex 想吃掉 RAG + 文档智能这条纵深赛道。选哪个，本质上是在选「要横向宽度还是要纵向深度」。

一、定位的真实分水岭

很多团队第一次评估 LangChain 和 LlamaIndex 时，会以为它们是「同类竞品」——这是常见的认知偏差。实际上两者的设计目标从 v0.1 那天起就不一样。

**LangChain 的演化主线**：从最初的 LLM 调用胶水 → 拆出 LangGraph 处理有状态 Agent → 引入 middleware（动态上下文压缩、长上下文摘要、自动重试）→ 推出 LangSmith 做可观测性 → 2026 年发布 LangChain v1（社区公告见 HN Algolia）。一句话总结：LangChain 想做 Agent 时代的「全栈基础设施」。

**LlamaIndex 的演化主线**：从最初的 RAG 框架 → 重点投入 LlamaParse（PDF/表格/手写体 OCR，2026 年商业化重点）→ LlamaIndex Workflows（事件驱动的多步文档处理流）→ 推出 LlamaCloud（云托管的文档 ETL）。一句话总结：LlamaIndex 想做文档智能时代的「数据底座」。

二、7 个真实场景的选型决策

不要问「哪个更好」，要问「我的场景里哪个更省事」：

**场景 1：纯 RAG 知识库问答**（几百到几千篇文档，单轮问答）—— **LlamaIndex 明显胜出**。`VectorStoreIndex.from_documents()` 一行启动，`query_engine` 默认带 rerank。LangChain 也能做，但要自己接 retriever + prompt + parser，多写 50-80 行。

**场景 2：需要 stateful 的多步 Agent**（ReAct + 工具调用 + 多轮记忆）—— **LangChain + LangGraph 胜出**。LangGraph 提供显式状态机（StateGraph），断点续跑、time-travel debug 都开箱即用。LlamaIndex 的 ReActAgent 是「轻量版」，复杂状态需要自己写 Workflow。

**场景 3：海量非结构化文档 ETL**（合同 PDF、扫描件、混合表格）—— **LlamaIndex 完胜**。LlamaParse 是当前开源领域最强的文档解析器（实测 OCR 准确率优于多数商用 SaaS），LangChain 这条线依赖第三方 loader（Unstructured、PyMuPDF），且没有统一的抽取 API。

**场景 4：Multi-Agent 协作 / Supervisor 模式**—— **LangGraph 胜出**。`langgraph-supervisor` + `langgraph-swarm` 是 2026 年的事实标准，HN Algolia 上「Multi-Agent 编排」相关讨论 80%+ 都引用 LangGraph。LlamaIndex 暂无对等组件。

**场景 5：GraphRAG / 知识图谱增强检索**—— **LlamaIndex 略胜**。`PropertyGraphIndex` + 实体抽取 + 关系推断是 LlamaIndex 的原生能力；LangChain 需要自己拼 Neo4j + Cypher。

**场景 6：需要可观测性 + 调试工具**—— **LangChain 胜出**。LangSmith 是商业级 tracing 平台，免费层够中小项目用，UI 比 LlamaIndex 的 LlamaTrace 成熟。

**场景 7：成本敏感 + 自托管 + 离线部署**—— **平手**，但 LangChain 文档更全。两者都纯 Python，无强制云依赖。

三、技术栈兼容性的真相

很多文章说「两者可以混用」——是的，但有 4 个真实坑：

1. **Document 对象互转**：`langchain_core.Document` ↔ `llama_index.core.Document` 需要手写 adapter，没有官方桥接器。

2. **Embedding 模型名称约定**：LangChain 用 `text-embedding-3-small`，LlamaIndex 用同名字符串，但底层调用路径不同，混用时 token 计费不一致。

3. **LCEL vs Query Engine 范式**：LangChain 推崇「Runnable 管道」（`prompt | llm | parser`），LlamaIndex 推崇「模块化 Query Engine」。两套范式在同一个代码库里共存时，新人接手成本陡增。

4. **Async 行为不一致**：LangChain 的 `ainvoke` 在 v1 后才稳定，LlamaIndex 从一开始就 async-first。

四、关键点

• LangChain 的真实优势是「Agent 全栈生态」——LangGraph + LangSmith + middleware 是一条龙
• LlamaIndex 的真实优势是「文档智能纵深」——LlamaParse + PropertyGraphIndex + LlamaCloud 是它的护城河
• 「我两个都用」是合理选择，但要明确划分边界（LangChain 做 Agent 编排，LlamaIndex 做文档摄入）
• 选型最常见的错误：拿 LangChain 做纯文档 RAG（多写 50-80 行），或拿 LlamaIndex 做 Multi-Agent（被迫自己造状态机轮子）

五、行业影响

2026 年的真实趋势是「两个项目都在做对方的事」：LangChain 推出 `langchain-unstructured` 试图吃文档解析，LlamaIndex 推出 `Workflows` 试图吃 Agent 编排。短期看，谁都吃不掉对方——LangChain 文档解析层远不如 LlamaParse 成熟，LlamaIndex 的状态机抽象远不如 LangGraph 完整。

长期看，如果团队「业务文档密度高」（金融、法律、医疗），优先 LlamaIndex；如果「业务对话密度高」（客服、Copilot、自动化工作流），优先 LangChain。混合场景建议「LangChain 编排 + LlamaIndex 做文档摄入管道」——这是 2026 年多数头部团队的实际架构。

六、选型决策流程

七、结语

「LangChain vs LlamaIndex」本质是一个伪命题——它们在 2026 年已经不是同维度竞品。LangChain 在做平台（Agent engineering platform），LlamaIndex 在做产品（document agent & OCR platform）。选哪个，先问你的核心痛点是「文档多」还是「对话多」。前者选 LlamaIndex，后者选 LangChain；两个都重，那就准备好两个都上——但要明确主从关系。

参考资料

**官方文档**

• LangChain Overview (v1) [200] - 2026-07
• LlamaIndex Stable Documentation [200] - 2026-06

**开源项目**

• langchain-ai/langchain API [200] - 142,680 stars, pushed 2026-07-27
• run-llama/llama_index API [200] - 51,142 stars, pushed 2026-07-26, v0.14.23 (2026-06-24)
• langchain-ai/langgraph API [200] - 38,251 stars, pushed 2026-07-27, v1.2.9 (2026-07-10)
• langchain-ai/langgraph README [200] - 2026-07

**行业报道**

• LangChain Blog [200] - LangChain 官方工程博客，2026 年发布节奏与平台化路线
• LlamaIndex Blog [200] - LlamaIndex 官方博客，文档智能产品更新
• arXiv: RAG vs Long-Context Survey [200] - 学术综述，讨论 LangChain/LlamaIndex 类框架在 RAG 场景的应用边界

**社区讨论**

• HN Algolia: LangChain vs LlamaIndex search [200] - 持续聚合
• HN: Multi-Document Q/A with LlamaIndex, LangChain, Milvus [200] - 3 pts, 实战对比
• HN: OSS Decorator to Trace LLM Apps [200] - 6 pts, 集成方案讨论
• HN: Ask HN: How to deploy Python-based LangChain/LlamaIndex [200] - 2 pts, 生产部署痛点

**对比基准**

• Artificial Analysis [200] - LLM 模型选型对 RAG/Agent 链路至关重要
• lmarena.ai - 真实人类偏好榜单，用于底模选型

**本文由 AI 生成**。内容基于公开资料整理，可能存在事实偏差，引用链接请以原始来源为准。