---
title: "羊駝索引（LlamaIndex）"
slug: llamaindex
language: zh-TW
source: https://aiterms.tw/terms/llamaindex
updated_at: 2026-04-29
tags: [大型語言模型, 資料處理, 自然語言處理, Python程式, AI應用, 知識圖譜]
ipas_term: false
---

# 羊駝索引（LlamaIndex）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語
> - **LangChain**：讀完這個，才容易看出兩者分工差在哪。
> - **檢索增強生成**：LlamaIndex 最常出現的工作模式之一。
> - **向量資料庫**：沒有它，很多檢索式應用會慢很多。
> - **分塊處理**：文件能不能被有效檢索，切塊方式很重要。

---

來源：https://aiterms.tw/terms/llamaindex
快查頁：https://aiterms.tw/terms/llamaindex
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-llamaindex