LlamaIndex — фреймворк для RAG, агентов и workflow

Короткий вердикт. ✅ Подходит: Python-командам, которые строят RAG, документных агентов и многошаговые workflow вокруг своих данных. ❌ Не подходит: тем, кому нужен единый no-code SaaS с полностью публичным прайсом и одной прозрачной политикой приватности. 💡 Ключевое преимущество: LlamaIndex можно собрать как связку OSS-фреймворка, агентных workflow и облачного парсинга документов.

Разработчик: LlamaIndex. Тип: OSS framework / API / cloud. Официальный URL: llamaindex.ai. Дата проверки: 17.08.2026. Проверенная версия OSS: 0.14.23; Python >=3.10,<4.0.

Редакционное ограничение: в предоставленном наборе источников есть официальный сайт, SDK, документация и ToS, но нет отдельной ссылки на Privacy Policy и нет одной статичной страницы с полным прайсом всех cloud-тарифов. Поэтому ниже я разделяю факты про OSS и облачные модули, а платные условия и приватность облака считаю подтверждёнными лишь частично.

Что это за инструмент

LlamaIndex на 17.08.2026 удобнее воспринимать не как один сервис, а как экосистему. Официальный OSS-репозиторий описывает LlamaIndex OSS как open-source framework для agentic applications, а сайт отдельно показывает продуктовые модули Parse, Extract и Index. Рядом существуют starter-репозиторий create-llama и отдельная ветка Llama Agents + Workflows.

Для практики это означает простую вещь: часть задач вы решаете локально или в своей инфраструктуре, а часть — через облачные компоненты. Если вам нужна гибкая цепочка агентов с retrieval, structured output и возможностью потом развернуть workflow как сервис, стек выглядит уместно. Если вы ищете чистый визуальный конструктор без кода, в проверенных источниках такого позиционирования нет: акцент сделан на Python, API, SDK и репозитории.

Что умеет

• Служить OSS-фреймворком для agentic applications и retrieval-задач.
• Строить агентные сценарии на FunctionAgent, ReActAgent и multi-agent AgentWorkflow.
• Возвращать структурированный результат через output_cls или structured_output_fn, а затем проверять его через response.structured_response, response.get_pydantic_model(...) или событие AgentStreamStructuredOutput.
• Оркестрировать подагентов как инструменты и хранить состояние/историю оркестратора через Context.
• Строить событийные workflow: при запуске неявно отправляется StartEvent, а StopEvent завершает workflow.
• Разворачивать workflow как сервис через deploy_workflow(workflow, workflow_config, control_plane_config=None), с подключением к message queue и регистрацией в control plane.
• Запускать parsing jobs через Llama Cloud Python SDK; публичный сайт отдельно показывает LlamaParse с Global и EU endpoints и free-планом на 10 000 credits в месяц.

Как использовать

1. Быстрый старт. Если нужен каркас проекта, используйте create-llama: официальный репозиторий называет его самым простым способом начать с LlamaIndex. Сгенерированное приложение использует LlamaIndex Server, чтобы отдавать Workflows и Agent Workflows через API server.
2. Подключите парсинг документов, если у вас PDF, сканы или сложные файлы. В официальных Python SDK docs для Llama Cloud указана установка pip install llama_cloud. Дальше создаётся parsing job с tier="agentic" и version="latest"; успешность можно проверить по возвращаемому job.id, а неудачи поднимают подклассы APIError.
3. Соберите orchestration. В примере agents-as-tools показано, как использовать FunctionAgent или ReActAgent, превращать субагентов в инструменты и хранить состояние/историю в Context.
4. Зафиксируйте формат ответа. Для production-сценариев просите structured output через output_cls или structured_output_fn. Проверяйте результат не строкой, а структурой: response.structured_response или response.get_pydantic_model(...).
5. Разверните как сервис. Когда логика устоялась, используйте deploy_workflow(...). Это документированный путь, который поднимает workflow как сервис, подключает его к очереди сообщений и регистрирует в control plane. Если вы начинаете именно с retrieval-контура, у нас есть отдельная инструкция: Как настроить RAG с LlamaIndex.

Тарифы и ограничения

У LlamaIndex нет одной публичной таблицы цен на всю экосистему. Публично подтверждён только free-план LlamaParse; платные cloud-условия в статичной странице полностью не раскрыты, а ToS прямо оговаривает возможность обновления pricing/payment terms.

Дата проверки тарифов и лимитов: 17.08.2026.

Практический вывод по ценам: попробовать стек можно без публично заявленной платы через free-лимит LlamaParse и OSS-часть, но для платного облачного использования придётся отдельно проверять аккаунт, договор и актуальные условия на момент покупки.

Работа с данными и приватность

• Что видит сервис. Для Llama Cloud/LlamaParse официальные SDK docs описывают file uploads и parsing jobs, то есть облачный сервис получает загруженные документы для обработки.
• Если вы используете только OSS. В проверенных источниках нет единой облачной модели хранения для OSS-части; фактический путь данных зависит от вашей инфраструктуры, выбранных моделей и интеграций.
• Использование данных для обучения. В предоставленном наборе источников это не раскрыто.
• Региональность. На официальном сайте показаны Global и EU endpoints для LlamaParse.
• Где хранятся данные и сколько. В предоставленных источниках нет точного описания хранения, retention и отдельной privacy policy.
• Документ для проверки. Из supplied sources есть только Terms of Service; отдельная Privacy Policy в наборе источников отсутствует.

Если вы работаете с чувствительными документами, этого набора сведений недостаточно для финального security review. Для облачной части LlamaIndex я бы считал приватность не до конца закрытым вопросом, пока вы отдельно не проверите privacy-документы, договорные условия и регион обработки.

Плюсы и минусы

Плюсы

• Есть открытое OSS-ядро с проверяемой текущей версией 0.14.23 и понятным требованием Python >=3.10,<4.0.
• Агентный стек уже умеет structured output и даёт способы валидации результата, а не только свободный текст.
• Поддерживается multi-agent orchestration: субагентов можно превращать в инструменты, а состояние оркестратора хранить в Context.
• Workflows и Llama Agents позиционируются как event-driven, async-first, step-based подход, а деплой workflow как сервиса описан официально.
• Для LlamaParse публично есть free-план и отдельные Global/EU endpoints, что удобно для первичного теста.

Минусы

• QueryPipeline находится в feature-freeze/deprecation phase, и документация прямо рекомендует вместо него использовать workflows. Старые материалы по LlamaIndex поэтому легко уводят в устаревший путь.
• Платные cloud-тарифы не сведены в одну публичную таблицу: exact pricing нужно перепроверять в аккаунте и договорных условиях.
• Документация разнесена между stable, latest, developer docs, API docs и несколькими репозиториями; перед pinning версии и архитектуры нужна ручная сверка.
• Это code-first стек. В проверенных источниках нет подтверждённого no-code сценария для пользователей без Python/API.
• По облачной части в supplied sources нет отдельной privacy policy, поэтому раздел по данным нельзя считать полностью закрытым.

Доступность и язык

• Форм-фактор: OSS framework, API/SDK и cloud-модули.
• Платформы: в проверенных источниках для OSS явно подтверждено только требование Python >=3.10,<4.0; отдельных ограничений по Windows/macOS/Linux в source pack нет.
• Русский язык: русский интерфейс или русская документация не подтверждены. В supplied sources материалы англоязычные.
• Доступность для РФ: в источниках нет проверенных данных о работе без VPN, необходимости VPN, блокировках оплаты или доступности аккаунтов из РФ.
• Способы оплаты: в supplied sources не раскрыты.
• Региональные endpoints: на сайте LlamaParse показаны Global и EU endpoints.

Если вы читаете документацию LlamaIndex впервые, полезно заранее освежить термины reasoning model и streaming: они часто встречаются рядом с агентными workflow и способами выдачи ответа.

Альтернативы

Честно по источникам: в этом source pack нет официально верифицированного списка прямых конкурентов с актуальными тарифами и условиями, поэтому я не буду подменять факты общими списками.

• LangChain vs LlamaIndex: что выбрать для RAG и LAG-приложений — ближайший внутренний материал COMRAD404 для сравнения экосистем.

Практический вердикт: LlamaIndex стоит брать в шорт-лист, если у вас уже есть Python-команда, документы как основной источник данных и нужен путь от прототипа к service deployment. Если же вам важнее единый SaaS, полный публичный прайс и закрытые вопросы приватности по одной странице, на 17.08.2026 экосистема LlamaIndex выглядит менее удобной.

Источники

• GitHub – run-llama/llama_index
• llama_index/pyproject.toml at main
• Query Pipeline – LlamaIndex
• Using Structured Output | Developer Documentation
• Multi-Agent Report Generation using Agents as Tools
• Events – LlamaIndex
• deploy – LlamaIndex
• Llama Cloud Python SDK | LlamaIndex API Docs
• LlamaIndex | AI Agents for Document OCR + Workflows
• LlamaIndex Terms of Service
• GitHub – run-llama/create-llama
• GitHub – run-llama/llama-agents

Вопросы и ответы

LlamaIndex — это open source или облако?

И то и другое. Официальный OSS-репозиторий описывает open-source framework, а сайт показывает облачные модули Parse, Extract и Index.

Сколько стоит LlamaIndex?

Публично подтверждён free-план LlamaParse: 10 000 free credits в месяц, примерно 1000 страниц. Полный прайс платных cloud-условий в supplied sources не раскрыт.

Можно ли развернуть workflow как сервис?

Да. Документация по deploy_workflow(...) говорит, что функция поднимает workflow как сервис, подключает его к message queue и регистрирует в control plane.

Поддерживает ли LlamaIndex structured output?

Да. В документации это явно указано для FunctionAgent, ReActAgent и multi-agent AgentWorkflow.

Работает ли сервис из РФ?

В предоставленных источниках нет проверенных данных о доступности из РФ, VPN и оплате. Это нужно проверять вручную на момент регистрации и покупки.