夜雨聆风
LlamaIndex——文档界的＂瑞士军刀＂,从解析到问答一条龙搞定
GitHub
github.com/run-llama/llama_index
38k+ Stars · 不只是RAG索引库，更是事件驱动的工作流框架
从PDF、图片到Excel，让文档变”活”。
LlamaIndex（重点推荐）
说实话，我一开始只是抱着试试看的心态，结果用上就停不下来了。
LlamaIndex 早已不只是个”RAG索引库”了。它现在是一个事件驱动的工作流框架，自带生产级运行时、内置可观测性和评估能力。能把各种乱七八糟的文档——PDF、Word、扫描件、Excel——变成结构化的数据，甚至能直接跟大模型对话。
它能做什么
简单说，LlamaIndex 把文档处理、OCR识别、数据索引和AI问答串成了一条流水线。你扔进去一堆PDF发票，它能自动提取关键字段；你给一张手写笔记照片，它能转成可搜索的文本；更牛的是，你还能直接问它”上个月的财务报表里哪个项目支出最高”，它就能从文档里给你翻出答案。
目前支持50多种文档格式，从PDF、Word到图片、表格全覆盖。
技术架构
-
模块化管道设计： 文档加载器、解析器、索引器、检索器各司其职，想换OCR引擎？换个模块就行，不用动其他代码。 -
多模态文档引擎： 图片、表格、手写体都能处理。LlamaParse 使用视觉语言模型做OCR，准确率甩传统工具几条街。 -
智能分块与索引： 根据语义自动分块，向量数据库+关键词混合检索，找信息快得像在谷歌搜索。 -
大模型原生集成： 直接对接GPT、Claude、Llama这些大模型，文档解析完就能对话。
2026年重磅更新
今年LlamaIndex动作非常大，有几个更新特别值得关注：
LlamaParse v2 API： 2026年1月发布，基于数千名开发者反馈全面重构，配置更简洁、结构化输出更强大。
LiteParse： 完全本地化、开源的文档解析工具，2秒内解析约500页，支持50多种格式，无需依赖云端。目前GitHub上已收获4300+ star。现在还提供了可自托管的HTTP服务器，100%本地化部署。
ParseBench： 首个专为AI Agent设计的文档OCR基准测试。包含16.7万多个基于规则的测试，覆盖遗漏、幻觉和阅读顺序错误三大失败模式。LlamaParse Agentic 以84.9%的综合性能保持领先。
Sandboxed-Lit CLI Agent： Rust驱动的命令行智能体，将LiteParse文档解析与安全沙箱结合，AI Agent可以安全地与PDF、图像和Office文档交互。
适合人群
-
后端开发者： 想给自己的应用加上文档理解功能，但不想从头造轮子 -
数据工程师： 需要批量处理海量PDF、扫描件，提取结构化数据 -
AI应用开发者： 做RAG系统，需要高质量文档索引 -
产品经理： 想快速验证文档自动化处理的产品方案
快速上手
pip install llama-index
# 一行代码解析PDF并生成索引
from llama_index.core import SimpleDirectoryReader
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
# 直接提问
query_engine = index.as_query_engine()
response = query_engine.query("这份报告的核心结论是什么？")
就这么几行代码，一个能对话的文档问答系统就跑起来了。
实战技巧
技巧1：chunk_size别死用默认值
默认1024对长文档还行，但处理表格密集的文档时，改成512效果更好。对于复杂表格，LlamaParse的智能表格提取能重建空间关系、保留表头层级，确保数据完整性。
技巧2：先OCR再自定义提取
先用LlamaParse的OCR模块把图片转成文本，再配合自定义解析器提取特定字段，比如合同金额、日期。几百份合同的录入工作从3天缩短到2小时。
技巧3：善用可视化引用
LlamaExtract现在支持带边界框的可视化引用，精确显示提取数据在源文档中的位置，做合规和QA工作流时非常实用。
GitHub： github.com/run-llama/llama_index
Stars： 38k+ 协议： MIT