LlamaIndexと他フレームワーク（LangChainなど）との比較

はじめに

LlamaIndex（旧 GPT Index）と LangChain は、いずれも LLM アプリケーション、とりわけ Retrieval-Augmented Generation (RAG) の構築を容易にする OSS フレームワークです。両者は重なる部分を持ちながらも、「何を中心概念に据えるか」「どこまでを責務とするか」という設計思想が大きく異なります。本稿では次の観点で比較します。

---

1. 設計思想と抽象化レイヤ

• LlamaIndex は「ドキュメントを どう表現・検索 するか」を第一級概念に据え、Index と QueryEngine が API の中心です。開発者は「インデックスを選ぶ → クエリを投げる」だけで RAG を構築できます。ibm.com

• LangChain は「LLM 呼び出しステップを どう合成 するか」にフォーカスし、Runnable を最小単位に据えて複数のツール・モデル・メモリを束ねる“チェーン”を構築します。これによりチャットボット・ツール実行・エージェントなど幅広いワークフローを表現できます。python.langchain.com

2. RAG パイプラインの実装スタイル

• LlamaIndex: VectorStoreIndex.from_documents() でインデックス生成し、query_engine.query() で検索＋生成を一括実行。“Chunking → Retrieval → Synthesis” がフレームワーク内で完結するため、サンプルコードは 20 行以下で動きます。

• LangChain: DocumentLoader → TextSplitter → VectorStore → RetrievalQAChain のように各段階を 明示的に 連結します。各構成要素を差し替えやすい半面、最初のセットアップは冗長になりがちです。Medium の比較記事でも「柔軟性と学習コストのトレードオフ」が指摘されています。medium.com

3. データコネクタ & インデックス

• LlamaHub には SQL/MongoDB/SharePoint/YouTube など 160 以上のローダがあり、Index レイヤでツリー・グラフ・テンプレート付きグラフなど高度な構造を選択できます。ibm.com

• LangChain は 400 以上の DocumentLoader を持ちますが、Index は主にベクタストア（FAISS/Pinecone/Weaviate 等）中心。複数ストアを束ねる MultiRetriever などでスケーリングします。python.langchain.com

4. エージェント機能

• LlamaIndex は 2025-06 の Newsletter で Agent Framework を正式ローンチし、Excel／財務報告など業務タスクに特化したプリセット Agent を提供し始めました。llamaindex.ai

• LangChain は古くから ReAct ベースの AgentExecutor を持ち、2024-Q4 以降は状態遷移グラフを定義できる LangGraph が主流です。v0.2 系では Expression Language (LCEL) でエージェント構築も宣言的に書けます。python.langchain.com

5. 評価・監視

• LlamaIndex は 0.8 系で llama_index.eval を刷新し、FaithfulnessEvaluator・RelevancyEvaluator などの標準実装を提供。CLI からバッチ評価も可能です。docs.llamaindex.ai

• LangChain は LangSmith を外部サービスとして提供し、トレース・リプレイ・データセット管理・実験比較を GUI で行えます。

6. デプロイと運用

• LlamaIndex: 軽量な FastAPI ベースのサーバを自動生成できるほか、LlamaCloud で托管サービスも展開。

• LangChain: langserve コマンドでエンドポイント化、または LangGraph をワーカーにデプロイ。

7. 典型的な選択パターン

8. LangChain 以外のフレームワークとの位置付け（簡易）

---

まとめと指針

• LlamaIndex は「データ中心・検索性能重視」。オンプレ／クラウドを問わず “エンタープライズ知識アシスタント” を短納期で作るのに向く。

• LangChain は「ワークフロー中心・汎用性重視」。ツール呼び出し、マルチモーダル、実験的プロトタイピングに強い。

• 両者は競合というより 補完関係 にあり、大規模プロジェクトでは「LlamaIndex で高速検索＋LangChain で推論ロジック」という組み合わせが定石になりつつある。プロジェクト要件を整理し、検索性能 × 拡張性 × 開発スピード のバランスで適切に採用することが重要です。