跳到主要内容

LlamaIndex Agent / Workflow 指南

这篇文档聚焦一个问题：

如果学习重点开始偏向 RAG、research agent、长流程检索和 event-driven workflow，LlamaIndex 现在值不值得补进这个专题。

本文以 LlamaIndex 当前官方 workflows 文档为主来整理。

1. 它在这个专题里最适合扮演什么角色​

LlamaIndex 在这个专题里，最适合扮演的不是“通用最小 Agent 起点”，而是：

偏 RAG / 检索 / research workflow 的强化层。

尤其是当已经开始关心：

  • retrieval + rerank
  • query planning
  • corrective RAG
  • event-driven workflow
  • async workflow
  • durable workflow

它就会变得很有价值。

2. 当前官方 workflow 路线在强调什么​

LlamaIndex 当前官方把 workflow 解释为：

  • event-driven
  • step-based
  • 用 events 驱动 steps
  • 支持复杂分支、循环和流程控制

这个定位可以用来理解：

  • 为什么复杂 AI 应用不能只靠一串 prompt
  • 为什么 research / RAG 应用经常天然偏 workflow

3. 它适合什么问题​

3.1 适合 RAG 和 research-heavy 场景​

官方文档给的 examples 本身就很说明问题：

  • RAG + reranking
  • citation query engine
  • corrective RAG
  • query planning
  • multi-step query engine

这和你现在专题里的：

  • RAG Intro
  • Research Agent
  • RAG Agent

非常对口。

3.2 适合需要事件驱动与异步 workflow 的任务​

LlamaIndex 官方非常强调：

  • async
  • steps
  • events
  • workflow validation

因此它比较适合那种：

  • 检索链较长
  • 中间结果多
  • 需要多步串联
  • 希望保持流程可读性

的系统。

3.3 适合快速原型研究型系统​

官方 examples 里很多都明显偏：

  • literature-inspired prototypes
  • research workflows
  • query decomposition
  • reflective loops

因此它可以拿来学习：

怎么把 research / RAG 思路快速落成 workflow。

4. 它不太适合什么问题​

4.1 不一定适合作为最小 Agent 起点​

如果现在只是想做：

  • 最小 tool-using agent
  • 最小 web agent

通常更适合先看：

  • OpenAI Agents SDK
  • Vercel AI SDK

4.2 不适合还没进入 RAG / research 语境的阶段​

LlamaIndex 对这个专题来说最强的价值，还是在：

  • RAG
  • retrieval orchestration
  • research workflow

如果还没开始碰这些，优先级不一定最高。

5. 和这个专题里哪些文档最该一起看​

最适合搭配的是：

6. 和 LangGraph 怎么区分​

这是最容易混的点。

  • LangGraph 偏通用 orchestration 底座
  • LlamaIndex 在这个专题里更偏 RAG / research / query workflow 这条专长路线

所以可以把它理解成：

  • LangGraph 更偏“怎么编排”
  • LlamaIndex 更偏“怎么在检索和 research 任务里编排”

7. 阅读顺序​

更稳的顺序是：

  1. 先读 RAG 入门与实践
  2. 再读 LangGraph 入门与编排设计
  3. 再读本文
  4. 最后回到 RAG Agent 案例

8. 小结​

如果后面准备把这个专题继续往 RAG / Research Agent / Query Workflow 深挖，LlamaIndex 值得补进来，而且它的价值通常高于“再多一个普通通用 Agent 框架”。