LlamaIndex : des agents IA branchés sur vos propres données

Né pour relier l’IA à vos documents

LlamaIndex a vu le jour en novembre 2022 sous le nom de GPT Index, avec une mission précise : permettre à un modèle de langage de répondre à partir de vos propres données. C’est le principe du RAG, la génération augmentée par récupération : on découpe les documents, on les range dans un index (souvent une base de données vectorielle), puis on retrouve les passages pertinents au moment de la question.

Le framework s’est ensuite élargi aux agents. La documentation officielle le décrit aujourd’hui comme une boîte à outils Python pour construire des agents qui travaillent sur vos données, autour de deux notions :

• les agents, qui utilisent des outils pour accomplir une tâche, par exemple interroger plusieurs documents ;
• les workflows, des processus en plusieurs étapes pilotés par événements, avec branchements, nouvelles tentatives et relecture humaine, proches d’un workflow agentique.

Un changement de cap à connaître

Le README officiel est transparent : l’entreprise concentre désormais l’essentiel de ses efforts sur LlamaParse, sa plateforme commerciale d’analyse et d’extraction de documents (OCR, extraction structurée, indexation, agents documentaires). Le framework reste disponible en open source et continue d’évoluer, mais il n’est plus le produit phare. La version TypeScript, elle, est archivée. Pour un projet de long terme, mieux vaut garder ce contexte en tête.

Comment démarrer

Installez le paquet llama-index, qui regroupe le cœur du framework et une sélection d’intégrations, ou partez de llama-index-core et ajoutez seulement les intégrations utiles. Suivez ensuite le tutoriel officiel de démarrage, avec OpenAI ou avec des modèles locaux. Un premier projet typique : charger un dossier de documents, construire un index, puis poser des questions à un agent qui s’appuie dessus.

Forces et limites

Forces : grande expertise de l’ingestion et de l’indexation de documents, nombreux connecteurs de données, de modèles et de bases vectorielles, prise en charge de MCP via une intégration dédiée, architecture modulaire.

Limites : la priorité commerciale de l’éditeur s’est déplacée vers LlamaParse ; l’écosystème TypeScript n’est plus maintenu ; pour des agents très autonomes ou des équipes d’agents, le framework est moins central que des outils dédiés à l’orchestration.

Alternatives

LangChain couvre aussi le RAG avec un écosystème d’intégrations très large. Haystack est un autre framework open source souvent utilisé pour la recherche dans des documents. Le comparatif des frameworks vous aide à trancher.