LlamaIndex (ehemals GPT Index) ist ein Open-Source-Datenframework für große Modellanwendungen und bietet eine vollständige Toolkette für Datenzugriff, Indexerstellung und Retrieval Enhancement Generation (RAG).

GPT-Index (LlamaIndex)

Kernparameter und Statistiken von LlamaIndex

LlamaIndex hat sich von einem „Daten-Framework“ zu einer Full-Link-Infrastruktur entwickelt, die das Parsen von Dokumenten, die Indexerstellung, die Verbesserung des Abrufs und den Agenten-Workflow abdeckt. Die offizielle Positionierung wurde von „LLM Data Framework“ auf „Document OCR for the Agent Stack“ aktualisiert. Zu seiner Kernproduktlinie gehören das Open-Source-Python-Framework „llama-index“, der verwaltete Cloud-Dienst LlamaCloud und die proprietäre Dokument-Parsing-Engine LlamaParse.

Parameter	Öffentliche Daten
Produktpositionierung	Open-Source-Datenframework für große Modellagenten und Plattform zum Parsen von Dokumenten
Kernkompetenzen	Agentischer OCR-Dokumentparsing-RAG-Index, strukturierte Extraktion Agent-Workflow
Unterstützte Dateitypen	PDF, Office, Bild-HTML, Markdown usw. 50+ Formate
Unterstützte LLMs	OpenAI, Anthropic, Llama, DeepSeek, Gemini usw.
Unterstützte Vektorbibliotheken	Chroma, Pinecone, Weaviate, Qdrant, Milvus, PostgreSQL usw.
Bereitstellungsmethode	pip-Installation (Open Source), LlamaCloud (gehostet), LlamaParse (API)
Lizenzvereinbarung	MIT (Framework), Closed Source (LlamaParse/LlamaCloud)
PyPI neueste Version	0.14.23 (24.06.2026)
Anforderungen an die Python-Version	>= 3,10

Community-Größe: LlamaParse hat mehr als 1 Milliarde Dokumente verarbeitet, hat ein durchschnittliches monatliches Downloadvolumen von über 25 Millionen und hat mehr als 300.000 registrierte Benutzer. Das „run-llama/llama_index“-Repository auf GitHub zeigt öffentlich über 38.000 Sterne an und ist eines der aktivsten Open-Source-Projekte im RAG-Bereich.

Produktmatrix: LlamaIndex hat sich von einem einzelnen Framework zu einer dreistufigen Produktstruktur entwickelt – das Open-Source-Framework („llama-index“) ist für die Indizierung und Abrufanordnung verantwortlich; LlamaParse bietet Cloud-Agentic-OCR-Analyse (über 50 Formate, Handschrift, Tabellen, Diagramme); LlamaCloud bietet verwaltete Indexierungs- und Analysedienste auf Unternehmensebene. Es gibt auch LiteParse (lokaler Open-Source-Parser, veröffentlicht im Jahr 2026), um Offline-Szenarien abzudecken.

Benutzer und Marktbekanntheit von LlamaIndex

Die Marktanerkennung kann anhand von drei Dimensionen beobachtet werden: Ökologie der Open-Source-Community, Akzeptanz bei Unternehmenskunden und Breite der Branchendurchdringung.

Beliebtheit in der Open-Source-Community: GitHub Stars über 38.000, Forks über 8.000. PyPI hat mehr als 300 Versionsiterationen von 0.4.0 (Februar 2023) bis 0.14.23 (Juni 2026) erlebt, wobei die durchschnittlichen monatlichen Downloads von Hunderttausenden Anfang 2023 auf über 25 Millionen im Jahr 2026 anstiegen. Die Discord-Community ist aktiv und die Zahl der LlamaHub-Konnektoren wächst schnell.

Anerkennung von Unternehmenskunden: Öffentliche Fälle zeigen, dass NTTData, Delphi, Carlyle und andere Institutionen LlamaParse auf den Dokumentenverarbeitungsprozess angewendet haben. Die auf der offiziellen Website aufgeführten vertikalen Branchen decken die vier Hauptbereiche Finanzen, Versicherungen, Fertigung und medizinische Versorgung ab, was darauf hindeutet, dass sie bei der Verarbeitung von Unternehmensdokumenten eine gewisse Verifizierung erreicht haben.

Breite Branchendurchdringung: LlamaIndex ist nicht nur das „Standard“-Framework für RAG-Anwendungen, sondern dringt auch in vertikalere dokumentenintensivere Szenarien wie Dokumentagenten, intelligente OCR und Compliance-Überprüfung ein. Sein Kernwert liegt in der Standardisierung jeder Verknüpfung von „unstrukturierten Dokumenten -> LLM nutzbare strukturierte Daten“.

Kostenvorteile von LlamaIndex

• C-Seite/Individuell: Normalerweise wird eine kostenlose Version bereitgestellt, um die Kernfunktionen zu erleben, und für die hochfrequente Nutzung ist ein kostenpflichtiges Paketabonnement erforderlich.
• API/Entwickler: Abrechnung nach Anrufvolumen, geeignet für Entwicklungsteams, die flexibel in ihre eigenen Systeme integriert werden können.
• Unternehmen/Privatisierung: Kontaktieren Sie den Geschäftsinhaber, um ein individuelles Angebot und einen Bereitstellungsplan zu erhalten. Der konkrete Preis unterliegt der offiziellen Echtzeit-Preisseite.

Hauptfunktionen von LlamaIndex

Das Fähigkeitssystem von LlamaIndex hat sich von „Datenverbindung + Indexkonstruktion“ auf eine vollständige Verknüpfung von „Dokumentenverständnis + autonomer Agent“ erweitert:

• LlamaParse Agentic OCR: Die aktuelle Hauptfähigkeit. Unterstützt über 50 Dateiformate (PDF, Office, Bilder, Handschrift) und nutzt VLM zur Implementierung einer Layout-basierten Analyse. Integrierte Autokorrekturschleife – erkennt und korrigiert Parsing-Fehler rekursiv, speziell optimiert für dichte Tabellen, Diagramme, mehrspaltiges Layout und handschriftliche Notizen. Die resultierende Ausgabe sind LLM-verwendbare Markdown- oder strukturierte Daten.

• Strukturierte Extraktion von LlamaExtract: Basierend auf der Dokumentenanalyse unterstützt es das Extrahieren von Schlüsselfeldern (z. B. Vertragsbedingungen, Rechnungsbeträge, Richtlinieninformationen) gemäß einem vordefinierten Schema und gibt JSON/CSV aus, was für Szenarien geeignet ist, in denen bestimmte Felder stapelweise aus einer großen Anzahl von Dokumenten extrahiert werden müssen.

• Mehrere Indexierungs- und Abrufstrategien: Unterstützt vier Grundmodi: Vektorindex, abstrakter Index, Schlüsselwortindex und Wissensgraphenindex und bietet Multi-Strategie-Kombinationen wie Top-K, MMR und Hybridsuche sowie Knotennachbearbeitung (Reranker, Metadatenfilter) in der Suchebene. Datengrenze: Bei Scans mit dichter Handschrift ist die Wirkung der reinen OCR-Pipeline begrenzt und es wird empfohlen, zuerst LlamaParse zu verwenden.

• Agent-Workflows: Die in der 0.14-Serie eingeführte Agent-Orchestrierungsfunktion unterstützt einen mehrstufigen Dokument-Agent – ​​indem er „Analyse -> Extraktion -> Abruf -> Generierung“ in einem wiederholbaren Agent-Prozess anordnet. Sie können Python-Code verwenden, um Schrittabhängigkeiten und bedingte Verzweigungen zu definieren und so die hartcodierte Pipeline herkömmlicher RAG zu ersetzen.

• LlamaHub Community Connector Ecosystem: Obwohl die Positionierung von „Kernfunktionen“ auf „ökologische Unterstützung“ herabgestuft wurde, bietet LlamaHub immer noch über 100 Datenlader, die SaaS-Anwendungen, Datenbanken, Dateispeicher und andere Quellen abdecken, um einen schnellen Zugriff auf Bestandsdaten zu ermöglichen.

Modell- und Versionsentwicklung von LlamaIndex

Die Versionsentwicklung von LlamaIndex kann in drei Phasen unterteilt werden:

Phase 1: GPT-Index-Ära (2022.11 – 2023.02)

Das Projekt hieß ursprünglich GPT Index und startete mit der Version „0.4.x“. Die damalige Positionierung bestand darin, „Datenindizierung für LLM bereitzustellen“, und das Kernkonzept bestand nur aus wenigen Klassen wie „GPTSimpleVectorIndex“. Derzeit untersucht die Community den Standardisierungspfad von RAG, und die reaktionsfähige Iteration von LlamaIndex (von 0.4.4 auf 0.4.40 innerhalb eines Monats) hat den Grundstein für nachfolgende Ausbrüche gelegt.

Die zweite Phase: LlamaIndex-Rahmenperiode (2023.02 – 2024.11)

Die im Februar 2023 in LlamaIndex umbenannte Serie „0.5.x“ bis „0.10.x“ war Zeuge der groß angelegten Implementierung des RAG-Paradigmas. Zu den wichtigsten Meilensteinen gehören:

• 0.6.0 (2023-05): Einführung von Abfrage-Engine- und Retriever-Abstraktionen, Einrichtung einer dreischichtigen Architektur von „Index -> Retriever -> QueryEngine“.
• 0.8.0 (2023-08): Durch die Einführung der Agent-Tool-Integration entwickelt sich LlamaIndex von einer „Daten-Toolbox“ zu einer „Agent-Datenschnittstelle“.
• 0.10.0 (2024-02): Die Paketstruktur ist in „llama-index-core“ + unabhängiges Integrationspaket aufgeteilt, um das Installationsvolumen und Abhängigkeitskonflikte zu reduzieren.
• 0.12.0 (2024-11): Weitere Modularisierung und verbesserte versionübergreifende Kompatibilität.

Die dritte Phase: Document Agent-Plattform (2024.11 – heute)

Ab „0.13.0“ (2025-07) beschleunigt LlamaIndex seine Umwandlung in eine Dokumenten-Agent-Plattform:

• 0.13.0 (2025-07-31): LlamaParse Agentic OCR ist tief integriert, um das Verständnis komplexer Dokumentlayouts zu unterstützen.
• 0.14.0 (2025-09-08): Einführung der Workflows Agent-Orchestrierungs-Engine zur Unterstützung des mehrstufigen Dokumentagenten.
• 0.14.20+ (2026-04): Die Mindestversion von Python wird auf 3.10 aktualisiert, mit weiteren Funktionen auf Unternehmensebene (VPC-Bereitstellung SSO, SOC2).
• 0.14.23 (24.06.2026): Die neueste stabile Version, die die LlamaParse-Analysequalität und die Stabilität des Agent-Workflows kontinuierlich optimiert.

Technische Vorteile von LlamaIndex

Der technische Vorteil von LlamaIndex liegt nicht in der Leistung eines einzelnen Modells, sondern im architektonischen Design von „Full-Link-Standardisierung + Agenten-Orchestrierung“.

Vollständige Link-Standardisierung: Jeder Schritt von der Dokumenteingabe bis zur Abrufausgabe verfügt über eine klare API-Abstraktion („Reader -> Dokument -> Knoten -> Index -> Retriever -> QueryEngine -> Antwort“). Diese Standardisierung ermöglicht es Entwicklern, jede strukturierte Implementierung zu ersetzen (z. B. den Wechsel von OpenAI Embedding zu einem lokalen Modell), ohne die Gesamtarchitektur zu ändern, was die Trial-and-Error- und Iterationskosten von RAG-Anwendungen erheblich reduziert.

Geschlossener Mechanismus von Agentic OCR: Im Gegensatz zur einmaligen Erkennung herkömmlicher OCR verwendet der Autokorrekturschleifenmechanismus von LlamaParse zunächst VLM für das Layoutverständnis und die vorläufige Erkennung, erkennt dann Bereiche mit geringer Vertrauenswürdigkeit durch rekursive Verifizierungslogik und verarbeitet sie erneut. Beamte behaupten, dass dieser Mechanismus die Fehlerquote bei der Verarbeitung dichter Tabellen, mehrspaltiger Layouts und handschriftlicher Notizen erheblich reduzieren kann. Der Kern des Mechanismus ist das „Expertenrouting“ – Text/Tabellen/Diagramme/Handschrift werden jeweils an unterschiedliche Verarbeitungsexpertenmodelle weitergeleitet.

Workflow-Orchestrierungs-Engine: In 0.14 eingeführte Workflows verwenden Python-Dekoratoren („@step“), um Agentenschritte anstelle der YAML/JSON-Konfiguration zu definieren. Dies bedeutet, dass Entwickler jede beliebige Python-Logik (bedingte Beurteilung, Schleife, Ausnahmebehandlung) in die Orchestrierung einbetten können und so ein Gleichgewicht zwischen Flexibilität und Wartbarkeit finden.

Modulare Paketverwaltung: „llama-index-core“ enthält nur Kernabstraktionen und jede Integration (LLM, Embedding, Vector Store) wird als unabhängiges Paket veröffentlicht. Die Produktionsumgebung kann bei Bedarf installiert werden und die Abhängigkeitsgröße wird auf 10 MB begrenzt, was für CI/CD-Pipelines und Containerbereitstellungen von Vorteil ist.

So verwenden Sie LlamaIndex

LlamaIndex bietet drei Nutzungspfade, die unterschiedlichen Technologie-Stacks und Bereitstellungspräferenzen entsprechen:

So verwenden Sie	Anwendbare Personen	Kernschritte	Kosten
Open-Source-Framework (pip)	Python-Entwickler	pip install llama-index -> Python-Skript schreiben -> Index/Retriever/QueryEngine anpassen	Kostenlos (Rahmen), bringen Sie Ihre eigene LLM-/Vektorbibliotheksgebühr mit
LlamaParse-API	Nicht-Python-Team, schnelle Überprüfung	Registrieren Sie LlamaCloud -> API-Schlüssel -> Call Parse API	Kostenloses Kontingent 10.000 Punkte/Monat, Selbstbeteiligung
LlamaCloud (Hosting)	Unternehmensproduktion hat Kontext	Daten-Upload -> Gehosteter Index -> Abfrage-API	Um ein Angebot zu erhalten, müssen Sie sich an den Vertrieb wenden

Python-Schnellzugriffsbeispiel (offizielle Dokumente können überprüft werden):

„Python

Installieren Sie das Framework (pip install llama-index)

aus llama_index.core VectorStoreIndex, SimpleDirectoryReader importieren

Lokales Dokument laden

Dokumente = SimpleDirectoryReader("./data").load_data()

Index erstellen (Standardmäßig wird OpenAI Embedding verwendet)

index = VectorStoreIndex.from_documents(documents)

Erstellen Sie eine Abfragemaschine und stellen Sie Fragen

query_engine = index.as_query_engine() Antwort = query_engine.query("Was ist die Kernschlussfolgerung des Dokuments?") drucken (Antwort) „

LlamaParse-Cloud-Parsing-Beispiel:

„Python

pip install llama-index llama-index-readers-llama-parse

aus llama_index.readers.llama_parse LlamaParse importieren aus llama_index.core VectorStoreIndex importieren

parser = LlamaParse(result_type="markdown", api_key="") Dokumente = Warten auf parser.aload_data(["./contract.pdf"]) index = VectorStoreIndex.from_documents(documents) „

Es wird empfohlen, bei der Unternehmensimplementierung gemäß „Pilot -> Vergleich -> Erweiterung“ vorzugehen: Verwenden Sie zunächst das Open-Source-Framework, um die Baseline in 1–2 typischen Dokumentenszenarien (z. B. Extraktion von Vertragsklauseln) zu durchlaufen. Anschließend prüfen Sie, ob die Agentic OCR von LlamaParse erforderlich ist, um die Qualität der Analyse komplexer Dokumente zu verbessern, und entscheiden schließlich, ob ein Upgrade auf LlamaCloud Enterprise Edition entsprechend den Compliance-Anforderungen durchgeführt werden soll.

Produktpreise für LlamaIndex

Das Preismodell unterliegt der offiziellen Echtzeitseite. In der Regel wird ein Freemium- oder Abonnementsystem verwendet und Grundfunktionen können kostenlos genutzt werden. Für erweiterte Funktionen oder eine hochfrequente Nutzung sind kostenpflichtige Abonnements erforderlich. Benutzern wird empfohlen, die optimale Lösung anhand der tatsächlichen Nutzung zu bewerten.

Anwendungsszenarien von LlamaIndex

Die anwendbaren Szenarien von LlamaIndex drehen sich hauptsächlich um die „strukturierte Nutzung unstrukturierter Dokumente“:

• Überprüfung von Unternehmensverträgen und Dokumenten: Laden Sie Verträge, Vereinbarungen und Compliance-Dokumente in LlamaParse hoch, analysieren Sie sie mithilfe der Autokorrekturschleife mit hoher Präzision und erstellen Sie über VectorStoreIndex ein semantisches Abrufsystem. Die Rechtsabteilung kann direkt fragen: „Wie lautet die maximale Entschädigungsklausel im Vertrag?“ ohne Seite für Seite durchblättern zu müssen. Wichtige Punkte der Überprüfung: Qualität der Analyse – ob die Klauselnummern und Betragsangaben im chinesischen Vertrag korrekt übernommen werden und ob die Formularinformationen vollständig extrahiert werden.

• Finanzrecherche und Due Diligence: Maklerunternehmen und Fondsgesellschaften nutzen LlamaIndex zur Verarbeitung von Prospekten, Jahresberichten und Forschungsberichten. Die Multi-Index-Strategie (Abstract-Index + Keyword-Index) eignet sich für das Szenario „Zuerst das Volltext-Abstract durchsuchen und dann bestimmte Indikatoren sorgfältig prüfen“. Verifizierungsschwerpunkt: Geschwindigkeit der Indexerstellung bei langen Dokumenten (mehr als 200 Seiten) und Erinnerung an die Vollständigkeit von seitenübergreifenden Tabellen.

• Intelligenter Kundendienst- und Arbeitsauftragsagent: Verbinden Sie die häufig gestellten Fragen und historischen Arbeitsaufträge zum Produkthandbuch mit LlamaIndex und kooperieren Sie mit Workflows, um den End-to-End-Agent-Prozess „Benutzerfragen -> Dokumentenabruf -> Kontextkonstruktion -> LLM-Antwort generieren“ zu orchestrieren. Überprüfungsschwerpunkt: Wenn die Wissensdatenbank häufig aktualisiert wird, wird die Häufigkeit der Indexneuerstellung und die Unterstützung inkrementeller Aktualisierungen festgelegt.

• Dokumentagent: Verwenden Sie Workflows, um mehrere LlamaParse + LlamaIndex-Instanzen zu orchestrieren, um automatisierte Dokumentenverarbeitungspipelines zu implementieren – Rechnungen hochladen -> automatisch analysieren -> Beträge/Daten/Lieferanten extrahieren -> in das Buchhaltungssystem schreiben. Verifizierungsschwerpunkt: Wiederholungsstrategie und manueller Überprüfungs-Fallback-Mechanismus, wenn der Agent-Schritt fehlschlägt.

Anwendbare Gruppen von LlamaIndex

• KI-Anwendungsentwickler: Python-Entwickler, die schnell RAGs erstellen oder Frage- und Antwortsysteme dokumentieren müssen. Voraussetzungen: Vertraut mit LLM-Aufrufen und grundlegenden NLP-Konzepten. Für die drei Abstraktionsebenen Index/Retriever/QueryEngine fallen gewisse Lernkosten an.

• Dateningenieur und MLOps-Team: Verantwortlich für den Aufbau, den Betrieb und die Wartung von Dokumentenverarbeitungspipelines auf Unternehmensebene. Das modulare Design von LlamaIndex und die Hosting-Optionen von LlamaCloud reduzieren die Migrationskosten vom POC zur Produktion. Voraussetzungen: Die Compliance-Kompromisse zwischen Selbsthosting und Cloud-Hosting sowie die Grenzen der chinesischen Dokumentenanalyse müssen bewertet werden.

• Team für Produkt- und Geschäftsanalyse: Es müssen strukturierte Informationen aus einer großen Anzahl unstrukturierter Dokumente extrahiert werden (z. B. Vertragsprüfung, Analyse von Marktforschungsberichten). Mit der Schema-Extraktionsfunktion von LlamaParse können Sie Extraktionsfelder in natürlicher Sprache definieren, anstatt Code zu schreiben. Voraussetzungen: Das Dokumentformat weist einen hohen Standardisierungsgrad auf und handschriftliche Scans mit äußerst komplexem Schriftsatz erfordern eine manuelle Überprüfung.

• Nicht für die Masse geeignet: Für einzelne Benutzer mit extrem geringem Dokumentenverarbeitungsvolumen (<10 Seiten pro Woche) kann es zu aufwändig sein, das vollständige Framework zu installieren. Es wird empfohlen, die integrierte Datei-Upload-Funktion von LLM direkt zu verwenden. In Szenarien, die den direkten Abruf sehr langer Kontexte erfordern (anstatt durch Indizierung), weist die Indexkonstruktion von LlamaIndex Abschnitte auf, die die Latenz erhöhen. Darüber hinaus müssen Teams, die extrem hohe Datenschutzanforderungen haben und keine Daten aus dem Land lassen, auf Self-Hosting-Lösungen zurückgreifen und Betriebs- und Wartungskosten berücksichtigen.

Zusammenfassung und Ausblick

LlamaIndex hat sich vom ursprünglichen Einzeldatenindizierungstool „GPT Index“ zu einer Full-Link-Plattform entwickelt, die den RAG-Indexierungsagenten-Workflow für die Dokumentenanalyse abdeckt. Seine zentrale Wettbewerbsfähigkeit liegt in der „Standardisierung“ – der Abstraktion jedes Abschnitts des verbrauchbaren Formats „Dokument -> Strukturierte Daten -> LLM“ in eine austauschbare API, sodass Unternehmen unterschiedlicher Technologie-Stacks und Größen darauf Dokument-KI-Anwendungen erstellen können. Die Agentic OCR-Funktion von LlamaParse erweitert den Anwendungsbereich weiter und reicht von einfachen Text-PDFs bis hin zu komplexen Dokumenten wie handschriftlichen, gescannten Dokumenten und dichten Tabellen.

Aktuelle Einschränkungen und Unsicherheiten: 1) Obwohl sich die Parsing-Qualität chinesischer Dokumente weiter verbessert, ist die Unterstützung für das vertikale Layout alter Bücher und chinesischer handschriftlicher Kritzeleien immer noch nicht so stabil wie für Englisch; 2) Die Lernkurve des Frameworks ist nicht niedrig – Anfänger benötigen Zeit, um die hierarchischen Beziehungen zwischen Konzepten wie Index, Retriever, QueryEngine, Postprozessor, Workflows usw. zu klären; 3) Der Preis der LlamaCloud Enterprise Edition wurde nicht bekannt gegeben. Sie müssen sich vor dem Kauf an den Vertrieb wenden, um ein detailliertes Angebot zu erhalten und einen POC durchzuführen. Überprüfung; 4) Die Punktverbrauchsgeschwindigkeit der Verarbeitung gescannter Hochfrequenzdokumente kann die Erwartungen übertreffen. Es wird empfohlen, den tatsächlichen Punktverbrauch pro Seite während der POC-Phase zu messen. Vor der Implementierung sollte sich das technische Team auf die Bewertung konzentrieren: ob die Parsing-Qualität chinesischer Dokumente den Geschäftsschwellenwert erreicht, ob die Abrufverzögerung von LlamaCloud in Szenarien mit hoher Parallelität das SLA erfüllen kann und ob der VPC-Bereitstellungsplan die Anforderungen an die Datensouveränität abdeckt.

Verwandte Tools: GitHub-Copilot, Cursor

So verwenden Sie den GPT-Index (LlamaIndex)

• Web-Client: Sie können ihn nutzen, indem Sie die offizielle Website besuchen und ein Konto registrieren. Die meisten Funktionen erfordern keine Installation.
• API-Zugriff: Bietet RESTful API, Entwickler können den API-Schlüssel erhalten und ihn in ihre eigenen Anwendungen integrieren.

Versionsinfo

• LamaIndex 0.14.23 ：PyPI veröffentlicht die neueste Version und iteriert weiterhin entlang der Hauptlinien des Agent-Frameworks, der Dokumentenanalyse (LlamaParse) und der RAG-Funktionen. （2026-06-24）
• LamaIndex 0.14.22 ：Die 0.14-Serie wird weiterhin iteriert, um die Analyse multimodaler Dokumente und die Stabilität des Agent-Workflows zu verbessern. （2026-05-14）
• LlamaIndex 0.13.0 ：Einführung der umfassenden Integration von Agentic OCR und LlamaParse zur Unterstützung des Verständnisses komplexer Dokumentlayouts. （2025-07-31）
• LlamaIndex 0.12.0 ：Große Refactoring-Version mit Einführung einer modularen Paketverwaltung (llama-index-core) und einer neuen Abfrage-Engine-API. （2024-11-18）
• Hauptrefaktor ：Meilenstein bei der Aufteilung der Paketstruktur, Beginn des modularen Zeitalters. （2024-02-12）