你有沒有遇過 AI 明明很會聊天，卻看不懂你公司的文件？ 你可以把 LlamaIndex 想成，替大模型把資料整理好、排好、送進來的中介層。 它其實就是連接 LLM 和私有資料的資料框架。 當你想做知識庫問答、文件搜尋或 RAG，它就很常派上用場。
容易混淆
LlamaIndex vs LangChain LlamaIndex 更偏資料索引與檢索，LangChain 更像通用工具箱。 一個重資料，一個重流程組裝。
LlamaIndex vs 向量資料庫 向量資料庫負責存和查，LlamaIndex 負責把資料切好、索引好、串好。 一個是底層倉庫，一個是資料調度員。
最關鍵的區別： 索引框架和資料庫不是同一層。
記住這句就好
先把資料整理好，大模型才答得像樣。
實際案例
公司知識庫問答 把政策、SOP、會議紀錄切成可檢索單位後，員工就能問自然語言問題。
客服文件搜尋 客服人員想找退貨條款時，不用翻整份手冊，系統先找出最相關段落再交給模型整理。
算法與應用
常見流程是切塊、建立索引、檢索相關片段，再把片段交給 LLM 生成答案。 它的重點不在模型本身，而在資料進來後怎麼被整理、連結和查回來。 對企業內部知識、法規、手冊和長文件很實用。
情境判斷
Q1（直覺題）： 你要讓模型讀公司文件後回答問題，最需要處理的是什麼？
先把文件切塊、索引和檢索做好，這正是 LlamaIndex 擅長的事。
Q2（判斷題）： 如果資料本來就很少，還需要 LlamaIndex 嗎？
看情況，資料少時可以簡化流程，但只要要做可查詢知識庫，索引設計仍然有價值。
常見問題
LlamaIndex 跟 LangChain 可以一起用嗎？
可以，很多專案會把 LlamaIndex 負責資料側，LangChain 負責流程側。
LlamaIndex 一定要搭向量資料庫嗎？
不一定，但搭配向量資料庫通常能讓檢索更有效率。
LlamaIndex 適合哪種資料？
適合文件、手冊、知識庫、FAQ 這種需要檢索的非結構化資料。