Framework de développement d'applications LLM
Framework de LLM connecté aux données
| Catégorie | LangChain | LlamaIndex |
|---|---|---|
| Performance | 7/10 | 8/10 |
| Facilité d'apprentissage | 6/10 | 7/10 |
| Écosystème | 9/10 | 7/10 |
| Communauté | 9/10 | 7/10 |
| Marché de l'emploi | 8/10 | 6/10 |
| Pérennité | 7/10 | 8/10 |
# LangChain — Pipeline RAG (Python)
from langchain_anthropic import ChatAnthropic
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.chains import RetrievalQA
# Créer le magasin de vecteurs
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)
# Chaîne RAG
llm = ChatAnthropic(model="claude-opus-4-7")
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
return_source_documents=True
)
result = qa_chain.invoke({"query": "Quelle est la politique de l'entreprise ?"})
print(result["result"])
print("Sources :", [doc.metadata for doc in result["source_documents"]])# LlamaIndex — système de questions-réponses basé sur des documents
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.llms.anthropic import Anthropic
from llama_index.core import Settings
# Configurer le LLM
Settings.llm = Anthropic(model="claude-opus-4-7")
# Charger et indexer les documents
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
# Moteur de requêtes
query_engine = index.as_query_engine(
similarity_top_k=5,
response_mode="tree_summarize"
)
response = query_engine.query(
"Quels sont les droits des utilisateurs dans le cadre du KVKK ?"
)
print(response)
print("Nœuds sources :", response.source_nodes)Écosystème d'outils large et scénarios multi-agents → LangChain ; applications de RAG approfondi et d'interrogation de documents → LlamaIndex est un choix plus solide. Dans les projets complexes, utiliser les deux ensemble est aussi une approche courante.
Obtenir une consultation gratuiteLlamaIndex a été conçu avec le RAG comme cas d'usage principal — il offre un contrôle beaucoup plus fin sur les stratégies de chunking, les types d'index et les modes d'interrogation. LangChain suffit pour un RAG simple ; pour un traitement de documents complexe, LlamaIndex se distingue.