结合LangChain和LlamaIndex的联合开发案例集

以下是一个结合LangChain和LlamaIndex的联合开发案例集，涵盖从数据加载、索引构建、检索增强生成（RAG）到复杂工作流编排的典型场景。每个案例均提供核心代码逻辑和场景说明。

---

案例1：企业知识库问答系统

场景需求

•从企业内部文档（PDF/Word）中提取知识，构建智能问答系统。•支持多轮对话，记录历史上下文。

技术方案

•LlamaIndex：构建文档向量索引，实现高效语义检索。•LangChain：管理对话链，集成检索结果并调用LLM生成回答。

核心代码

from llama_index import SimpleDirectoryReader, VectorStoreIndex
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
# 1. LlamaIndex 构建索引
documents = SimpleDirectoryReader("./企业文档").load_data()
index = VectorStoreIndex.from_documents(documents)
retriever = index.as_retriever(similarity_top_k=3)  # 检索Top3相关片段
# 2. LangChain 设置对话链
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
qa_chain = ConversationalRetrievalChain.from_llm(
llm=ChatOpenAI(temperature=0),
retriever=retriever,
memory=memory
)
# 3. 多轮对话示例
result = qa_chain({"question": "公司年假政策是怎样的？"})
print(result["answer"])
result = qa_chain({"question": "最长可以申请多少天？"})  # 依赖记忆上下文
print(result["answer"])

技术亮点

•LlamaIndex 实现语义检索，精准定位文档片段。•LangChain 的 ConversationalRetrievalChain 自动管理对话历史，避免重复检索。

---

案例2：自动化数据分析报告生成

场景需求

•从数据库和Excel中提取数据，自动生成分析报告。•支持自然语言查询（如“2023年销售额最高的产品是什么？”）。

技术方案

•LlamaIndex：索引结构化数据（SQL数据库 + CSV文件）。•LangChain：调用Python脚本进行数据分析，生成可视化图表。

核心代码

from llama_index import SQLDatabase, NLSQLTableQueryEngine
from langchain.agents import create_pandas_dataframe_agent
import pandas as pd
# 1. LlamaIndex 连接数据库
sql_database = SQLDatabase.from_uri("sqlite:///sales.db")
query_engine = NLSQLTableQueryEngine(sql_database)
# 自然语言查询SQL数据
nl_query = "2023年销售额最高的产品是什么？"
sql_result = query_engine.query(nl_query)
# 2. LangChain 分析CSV数据
df = pd.read_csv("2023_sales.csv")
agent = create_pandas_dataframe_agent(ChatOpenAI(temperature=0), df, verbose=True)
chart_code = agent.run("生成柱状图代码，比较各季度销售额")
# 3. 执行代码生成图表
exec(chart_code)  # 假设代码输出为Matplotlib图表

技术亮点

•LlamaIndex 的 NLSQLTableQueryEngine 实现自然语言转SQL查询。•LangChain 的Pandas Agent 自动生成数据分析代码，降低手动操作成本。

---

案例3：跨平台信息聚合助手

场景需求

•从Notion、Slack和Gmail中检索信息，回答用户复杂问题。•示例问题：“昨天客户在Slack反馈的技术问题，相关解决方案在Notion中有记录吗？”

技术方案

•LlamaIndex：连接多平台数据源，构建联合索引。•LangChain：协调多步骤任务（检索→分析→生成摘要）。

核心代码

from llama_index import NotionPageReader, SlackReader
from langchain.agents import initialize_agent, Tool
# 1. LlamaIndex 加载多源数据
notion_docs = NotionPageReader(integration_token="xxx").load_data(page_ids=["123"])
slack_docs = SlackReader(slack_token="xxx").load_data(channel_ids=["general"])
combined_index = VectorStoreIndex.from_documents(notion_docs + slack_docs)
# 2. LangChain 创建工具
tools = [
Tool(
name="联合检索",
func=lambda q: combined_index.as_retriever().retrieve(q),
description="从Notion和Slack检索信息"
)
]
# 3. 创建Agent处理复杂查询
agent = initialize_agent(tools, llm=ChatOpenAI(), agent="zero-shot-react-description")
result = agent.run("昨天客户在Slack反馈的技术问题，相关解决方案在Notion中有记录吗？")
print(result)  # 输出：检索到的文档摘要 + 解决方案链接

技术亮点

•LlamaIndex 的 多源数据连接器 实现跨平台索引。•LangChain 的Agent机制实现 多步骤推理（检索→筛选→摘要）。

---

案例4：实时搜索引擎增强问答

场景需求

•回答需要实时数据的问题（如“今天北京天气如何？”）。•结合搜索引擎结果与本地知识库。

技术方案

•LangChain：调用SerpAPI获取实时数据。•LlamaIndex：检索本地知识库补充上下文。

核心代码

from langchain.utilities import SerpAPIWrapper
from llama_index import VectorStoreIndex
# 1. 准备工具
search = SerpAPIWrapper()
local_index = VectorStoreIndex.load_from_disk("本地知识库.json")
# 2. 定义混合检索逻辑
def hybrid_query(question):
# LangChain 获取实时数据
web_result = search.run(f"{question} site:gov.cn")
# LlamaIndex 检索本地知识
local_results = local_index.as_retriever().retrieve(question)
return f"网络结果：{web_result}\n本地补充：{local_results[0].text}"
# 3. 调用示例
answer = hybrid_query("今天北京天气如何？")
print(answer)  # 输出：实时天气 + 本地存储的北京气候特征

技术亮点

•LangChain 的 SerpAPIWrapper 实现 实时数据获取。•LlamaIndex 提供 本地知识补充，增强回答深度。

---

案例5：代码生成-执行-调试闭环

场景需求

•根据用户需求生成代码 → 自动执行 → 捕获错误 → 迭代修正。

技术方案

•LangChain：管理执行链（生成→执行→纠错）。•LlamaIndex：索引代码知识库辅助生成。

核心代码

from langchain.agents import Tool
from langchain_experimental.agents import create_python_agent
from llama_index import CodeReader
# 1. LlamaIndex 加载代码库
code_docs = CodeReader().load_data(repo_path="./src")
code_index = VectorStoreIndex.from_documents(code_docs)
# 2. LangChain 创建Python Agent
agent = create_python_agent(llm=ChatOpenAI(), tool=Tool(
name="代码检索",
func=lambda q: code_index.as_retriever().retrieve(q),
description="参考现有代码库"
))
# 3. 执行闭环
result = agent.run("写一个Python函数，用Pandas计算股票移动平均线")
print(result)  # 输出：生成代码 + 执行结果/错误修正建议

技术亮点

•LlamaIndex 的 CodeReader 实现代码语义检索。•LangChain 的Python Agent 支持代码执行与自纠错。

---

总结：联合开发最佳实践

1.明确分工

•LlamaIndex：专注数据接入、索引构建、高效检索•LangChain：负责任务编排、工具调用、状态管理

2.性能优化技巧

•在LlamaIndex中使用混合索引（向量+关键词）提升召回率•通过LangChain的 LCEL 实现并行化调用

3.典型架构

用户输入 → LangChain解析意图 → LlamaIndex检索数据 → LangChain协调工具 → 最终输出

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！