LlamaIndex (anciennement GPT Index) est un framework de données open source conçu pour les applications de grands modèles, fournissant une chaîne d'outils complète pour l'accès aux données, la construction d'index et la génération d'amélioration de la récupération (RAG).

Index GPT (LlamaIndex)

Paramètres et statistiques de base de LlamaIndex

LlamaIndex a évolué d'un « cadre de données » à une infrastructure de liens complets couvrant l'analyse de documents, la création d'index, l'amélioration de la récupération et le flux de travail des agents. Son positionnement officiel est passé de « Framework de données LLM » à « Document OCR for the agentic stack ». Sa gamme de produits de base comprend le framework Python open source «llama-index», le service cloud géré LlamaCloud et le moteur d'analyse de documents propriétaire LlamaParse.

Paramètres	Données publiques
Positionnement du produit	Cadre de données d'agent de grand modèle Open Source et plateforme d'analyse de documents
Capacités de base	Analyse de documents OCR agentique, index RAG, extraction structurée Flux de travail de l'agent
Types de fichiers pris en charge	PDF, Office, image HTML, Markdown, etc. Plus de 50 formats
LLM pris en charge	OpenAI, Anthropic, Llama, DeepSeek, Gemini, etc.
Bibliothèques vectorielles prises en charge	Chroma, Pinecone, Weaviate, Qdrant, Milvus, PostgreSQL, etc.
Méthode de déploiement	installation pip (open source), LlamaCloud (hébergé), LlamaParse (API)
Contrat de licence	MIT (Framework), source fermée (LlamaParse/LlamaCloud)
Dernière version de PyPI	0.14.23 (2026-06-24)
Exigences de la version Python	>= 3,10

Taille de la communauté : LlamaParse a traité plus d'un milliard de documents, a un volume de téléchargement mensuel moyen de plus de 25 millions et compte plus de 300 000 utilisateurs enregistrés. Le référentiel run-llama/llama_index sur GitHub affiche publiquement plus de 38 000 étoiles et est l'un des projets open source les plus actifs dans le domaine RAG.

Matrice de produit : LlamaIndex a évolué d'un cadre unique à une structure de produit à trois niveaux : le cadre open source ("llama-index") est responsable de l'organisation de l'indexation et de la récupération ; LlamaParse fournit une analyse OCR agentique dans le cloud (plus de 50 formats, écriture manuscrite, tableaux, graphiques) ; LlamaCloud fournit des services d'indexation et d'analyse gérés au niveau de l'entreprise. Il existe également LiteParse (analyseur local open source, sorti en 2026) pour couvrir les scénarios hors ligne.

Utilisateurs et reconnaissance du marché de LlamaIndex

La reconnaissance du marché peut être observée sous trois dimensions : l’écologie de la communauté open source, l’adoption par les entreprises clientes et l’ampleur de la pénétration de l’industrie.

Popularité de la communauté Open Source : GitHub Stars environ 38 000+, Forks environ 8 000+. PyPI a connu plus de 300 itérations de version de 0.4.0 (février 2023) à 0.14.23 (juin 2026), avec des téléchargements mensuels moyens passant de centaines de milliers début 2023 à plus de 25 millions en 2026. La communauté Discord est active et le nombre de connecteurs LlamaHub augmente rapidement.

Reconnaissance des clients d'entreprise : des cas publics montrent que NTTData, Delphi, Carlyle et d'autres institutions ont appliqué LlamaParse au processus de traitement des documents. Les secteurs verticaux répertoriés sur le site officiel couvrent les quatre principaux domaines de la finance, des assurances, de la fabrication et des soins médicaux, ce qui indique qu'ils ont réalisé certaines vérifications dans les scénarios de traitement des documents d'entreprise.

Étendue de la pénétration du secteur : LlamaIndex n'est pas seulement le cadre « standard » pour les applications RAG, mais il pénètre également dans des scénarios plus verticaux à forte intensité de documents, tels que les agents de documents, l'OCR intelligent et la vérification de la conformité. Sa valeur fondamentale réside dans la standardisation de chaque lien « documents non structurés -> données structurées utilisables LLM ».

Avantages de coût de LlamaIndex

• C-side/Individuel : Généralement, une version gratuite est fournie pour découvrir les fonctions de base, et l'utilisation à haute fréquence nécessite un abonnement payant.
• API/Développeur : Facturé au volume d'appels, adapté aux équipes de développement qui peuvent être intégrées de manière flexible dans leurs propres systèmes.
• Entreprise/Privatisation : contactez le propriétaire de l'entreprise pour obtenir un devis personnalisé et un plan de déploiement. Le prix spécifique est soumis à la page officielle de tarification en temps réel.

Principales fonctions de LlamaIndex

Le système de capacités de LlamaIndex s'est étendu de « connexion de données + construction d'index » à un lien complet de « compréhension de document + agent autonome » :

• LlamaParse Agentic OCR : La capacité principale actuelle. Prend en charge plus de 50 formats de fichiers (PDF, Office, images, écriture manuscrite) et utilise VLM pour implémenter une analyse tenant compte de la mise en page. Boucle de correction automatique intégrée : détecte et corrige de manière récursive les erreurs d'analyse, spécialement optimisée pour les tableaux denses, les graphiques, la disposition sur plusieurs colonnes et les notes manuscrites. Le résultat obtenu est un Markdown ou des données structurées utilisables par LLM.

• Extraction structurée LlamaExtract : basée sur l'analyse de documents, elle prend en charge l'extraction de champs clés (tels que les conditions contractuelles, les montants des factures, les informations sur la politique) selon un schéma prédéfini et des sorties JSON/CSV, ce qui convient aux scénarios dans lesquels des champs spécifiques doivent être extraits par lots à partir d'un grand nombre de documents.

• Stratégies d'indexation et de récupération multiples : prend en charge quatre modes de base : index vectoriel, index abstrait, index de mots clés et index de graphe de connaissances, et fournit des combinaisons multi-stratégies telles que Top-K, MMR et recherche hybride, ainsi que le post-traitement des nœuds (Reranker, filtre de métadonnées) dans la couche de recherche. Limite des données : pour les analyses avec une écriture manuscrite dense, l'effet du pipeline OCR pur est limité et il est recommandé d'utiliser d'abord LlamaParse.

• Flux de travail d'agent : la fonctionnalité d'orchestration d'agent introduite dans la série 0.14 prend en charge l'agent de document en plusieurs étapes - en organisant "analyse -> extraction -> récupération -> génération" dans un processus d'agent reproductible. Vous pouvez utiliser du code Python pour définir des dépendances d'étapes et des branches conditionnelles, remplaçant ainsi le pipeline codé en dur du RAG traditionnel.

• Écosystème de connecteurs communautaires LlamaHub : bien que le positionnement ait été rétrogradé de "fonctions de base" à "support écologique", LlamaHub fournit toujours plus de 100 chargeurs de données, couvrant les applications SaaS, les bases de données, le stockage de fichiers et d'autres sources, pour faciliter un accès rapide aux données de stock.

Evolution du modèle et de la version de LlamaIndex

L’évolution de la version de LlamaIndex peut être divisée en trois étapes :

Phase 1 : ère de l'indice GPT (2022.11 - 2023.02)

Le projet s'appelait à l'origine GPT Index et a démarré avec la version « 0.4.x ». Le positionnement à cette époque était de « fournir une indexation des données pour LLM », et les concepts de base n'étaient que quelques classes telles que « GPTSimpleVectorIndex ». À ce stade, la communauté explore la voie de normalisation de RAG, et l'itération réactive de LlamaIndex (de 0.4.4 à 0.4.40 en un mois) a jeté les bases des épidémies ultérieures.

La deuxième phase : période-cadre LlamaIndex (2023.02 - 2024.11)

Rebaptisée LlamaIndex en février 2023, la série « 0.5.x » à « 0.10.x » a été témoin de la mise en œuvre à grande échelle du paradigme RAG. Les étapes clés comprennent :

• 0.6.0 (2023-05) : introduction des abstractions du moteur de requête et du récupérateur, établissant une architecture à trois couches de « Index -> Retriever -> QueryEngine ».
• 0.8.0 (2023-08) : Présentation de l'intégration de l'outil Agent, LlamaIndex évolue de "boîte à outils de données" à "Interface de données d'agent".
• 0.10.0 (2024-02) : la structure du package est divisée en llama-index-core + package d'intégration indépendant pour réduire le volume d'installation et les conflits de dépendances.
• 0.12.0 (2024-11) : modularisation plus poussée et compatibilité inter-versions améliorée.

La troisième phase : plateforme Document Agent (2024.11 - présent)

À partir de la version 0.13.0 (2025-07), LlamaIndex accélère sa transformation en une plateforme d'agent de documents :

• 0.13.0 (31/07/2025) : LlamaParse Agentic OCR est profondément intégré pour prendre en charge la compréhension de la mise en page de documents complexes.
• 0.14.0 (08/09/2025) : Présentation du moteur d'orchestration de l'agent Workflows pour prendre en charge l'agent de document en plusieurs étapes.
• 0.14.20+ (2026-04) : la version minimale de Python est mise à niveau vers 3.10, avec des fonctionnalités supplémentaires au niveau de l'entreprise (déploiement VPC SSO, SOC2).
• 0.14.23 (2026-06-24) : La dernière version stable, optimisant en permanence la qualité d'analyse de LlamaParse et la stabilité du flux de travail de l'agent.

Avantages techniques de LlamaIndex

L'avantage technique de LlamaIndex ne réside pas dans la performance d'un modèle unique, mais dans la conception architecturale de « standardisation de liens complets + orchestration d'agents ».

Standardisation des liens complets : chaque étape depuis l'entrée du document jusqu'à la sortie de récupération a une abstraction API claire (Lecteur -> Document -> Noeud -> Index -> Retriever -> QueryEngine -> Réponse). Cette standardisation permet aux développeurs de remplacer toute implémentation structurée (comme le passage d'OpenAI Embedding à un modèle local) sans modifier l'architecture globale, ce qui réduit considérablement les essais et erreurs et les coûts d'itération des applications RAG.

Mécanisme fermé d'Agentic OCR : contrairement à la reconnaissance unique de l'OCR traditionnelle, le mécanisme de boucle de correction automatique de LlamaParse utilise d'abord VLM pour la compréhension de la mise en page et la reconnaissance préliminaire, puis détecte les zones de faible confiance via une logique de vérification récursive et les retraite. Les responsables affirment que ce mécanisme peut réduire considérablement les taux d'erreur lors du traitement de tableaux denses, de mises en page à plusieurs colonnes et de notes manuscrites. Le cœur du mécanisme est le « routage expert » : le texte/les tableaux/les graphiques/l'écriture manuscrite sont respectivement acheminés vers différents modèles experts de traitement.

Moteur d'orchestration de workflows : les workflows introduits dans la version 0.14 utilisent des décorateurs Python ($@step) pour définir les étapes de l'agent au lieu de la configuration YAML/JSON. Cela signifie que les développeurs peuvent intégrer n'importe quelle logique Python (jugement conditionnel, bouclage, gestion des exceptions) dans l'orchestration, trouvant ainsi un équilibre entre flexibilité et maintenabilité.

Gestion modulaire des packages : llama-index-core ne contient que des abstractions de base, et chaque intégration (LLM, Embedding, Vector Store) est publiée en tant que package indépendant. L'environnement de production peut être installé à la demande et la taille des dépendances est contrôlée dans la limite de 10 Mo, ce qui est bénéfique pour les pipelines CI/CD et les déploiements conteneurisés.

Comment utiliser LlamaIndex

LlamaIndex propose trois chemins d'utilisation, correspondant à différentes piles technologiques et préférences de déploiement :

Comment utiliser	Personnes concernées	Étapes principales	Coût
Cadre open source (pip)	Développeur Python	pip install llama-index -> Écrire un script Python -> Personnaliser Index/Retriever/QueryEngine	Gratuit (framework), apportez votre propre frais de bibliothèque LLM/vecteur
API LlamaParse	Équipe non Python, vérification rapide	Enregistrez LlamaCloud -> Clé API -> Appelez l'API Parse	Quota gratuit 10 000 points/mois, surfacturation
LlamaCloud (Hébergement)	La production d'entreprise a un contexte	Téléchargement de données -> Index hébergé -> API de requête	Besoin de contacter le service commercial pour obtenir un devis

Exemple d'accès rapide Python (les documents officiels peuvent être vérifiés) :

# Installer le framework (pip install llama-index)
à partir de llama_index.core importer VectorStoreIndex, SimpleDirectoryReader

#Charger le document local
documents = SimpleDirectoryReader("./data").load_data()

# Index de construction (OpenAI Embedding est utilisé par défaut)
index = VectorStoreIndex.from_documents(documents)

# Créer un moteur de requête et poser des questions
query_engine = index.as_query_engine()
réponse = query_engine.query("Quelle est la conclusion principale du document ?")
imprimer (réponse)

Exemple d'analyse cloud LlamaParse :

# pip install llama-index llama-index-readers-llama-parse
depuis llama_index.readers.llama_parse importer LlamaParse
à partir de llama_index.core importer VectorStoreIndex

analyseur = LlamaParse(result_type="markdown", api_key="<VOTRE_API_KEY>")
documents = attendre parser.aload_data(["./contract.pdf"])
index = VectorStoreIndex.from_documents(documents)

Il est recommandé de procéder à la mise en œuvre en entreprise selon « pilote -> comparaison -> expansion » : utilisez d'abord le framework open source pour parcourir la ligne de base dans 1 à 2 scénarios de documents typiques (tels que l'extraction de clauses contractuelles), puis évaluez si l'OCR agentique de LlamaParse est nécessaire pour améliorer la qualité de l'analyse de documents complexes, et enfin décidez s'il convient de passer à LlamaCloud Enterprise Edition en fonction des exigences de conformité.

Prix des produits pour LlamaIndex

Le modèle de tarification est soumis à la page officielle en temps réel. Habituellement, un système freemium ou d'abonnement est utilisé et les fonctions de base peuvent être utilisées gratuitement. Les fonctions avancées ou l'utilisation à haute fréquence nécessitent des abonnements payants, et il est conseillé aux utilisateurs d'évaluer la solution optimale en fonction de l'utilisation réelle.

Scénarios d'application de LlamaIndex

Les scénarios applicables de LlamaIndex tournent principalement autour de « l'utilisation structurée de documents non structurés » :

• Révision des contrats et documents d'entreprise : téléchargez des contrats, des accords et des documents de conformité sur LlamaParse, utilisez la boucle de correction automatique pour les analyser avec une grande précision et créez un système de récupération sémantique via VectorStoreIndex. L'équipe juridique peut directement demander : « Quelle est la clause d'indemnisation maximale dans le contrat ? sans avoir à parcourir page après page. Points clés de vérification : Qualité de l'analyse - si les numéros de clause et les montants du contrat chinois sont correctement conservés et si les informations du formulaire sont complètement extraites.

• Recherche financière et due diligence : les maisons de courtage et les sociétés de fonds utilisent LlamaIndex pour traiter les prospectus, les rapports annuels et les rapports de recherche. La stratégie multi-index (index de résumé + index de mots-clés) convient au scénario consistant à « parcourir d'abord le résumé en texte intégral, puis à vérifier attentivement les indicateurs spécifiques ». Objectif de vérification : vitesse de création de l'index des documents longs (plus de 200 pages) et rappel de l'exhaustivité des tableaux multipages.

• Service client intelligent et agent de bons de travail : connectez la FAQ du manuel du produit et les bons de travail historiques à LlamaIndex, et coopérez avec les flux de travail pour orchestrer le processus d'agent de bout en bout de "Questions utilisateur -> Récupération de documents -> Construction de contexte -> LLM Générer une réponse". Objectif de vérification : lorsque la base de connaissances est fréquemment mise à jour, la fréquence de reconstruction de l'index et la prise en charge des mises à jour incrémentielles.

• Agent de documents : utilisez des workflows pour orchestrer plusieurs instances LlamaParse + LlamaIndex afin de mettre en œuvre des pipelines de traitement automatisé des documents - télécharger des factures -> analyser automatiquement -> extraire les montants/dates/fournisseurs -> écrire dans le système comptable. Objectif de vérification : stratégie de nouvelle tentative et mécanisme de secours de révision manuelle en cas d'échec de l'étape de l'agent.

Groupes applicables de LlamaIndex

• Développeur d'applications IA : développeurs Python qui ont besoin de créer rapidement des systèmes de questions et réponses RAG ou documenter. Prérequis : Familiarisé avec les appels LLM et les concepts de base de la PNL. Il y a un certain coût d'apprentissage pour les trois niveaux d'abstraction d'Index/Retriever/QueryEngine.

• Équipe Data Engineer et MLOps : Responsable de la construction, de l'exploitation et de la maintenance des pipelines de traitement de documents au niveau de l'entreprise. La conception modulaire de LlamaIndex et les options d'hébergement LlamaCloud réduisent les coûts de migration du POC à la production. Conditions préalables : les compromis de conformité entre l'auto-hébergement et l'hébergement cloud doivent être évalués, ainsi que les limites de l'analyse des documents chinois.

• Équipe d'analyse de produits et d'affaires : Besoin d'extraire des informations structurées à partir d'un grand nombre de documents non structurés (tels que la revue de contrat, l'analyse de rapports d'études de marché). La fonctionnalité d'extraction de schéma de LlamaParse vous permet de définir des champs d'extraction en langage naturel au lieu d'écrire du code. Conditions préalables : Le format du document présente un degré élevé de standardisation et les numérisations manuscrites de composition ultra-complexe nécessitent une révision manuelle.

• Ne convient pas au grand public : Pour les utilisateurs individuels ayant un volume de traitement de documents extrêmement faible (<10 pages par semaine), l'installation du framework complet peut s'avérer trop lourde. Il est recommandé d'utiliser directement la fonction de téléchargement de fichiers intégrée de LLM. Dans les scénarios qui nécessitent une récupération directe de contextes très longs (plutôt que via l'indexation), la construction de l'index de LlamaIndex comporte des sections qui augmenteront la latence. De plus, les équipes qui ont des exigences extrêmement élevées en matière de confidentialité des données et qui ne permettent à aucune donnée de quitter le pays doivent utiliser des solutions d'auto-hébergement, et les coûts d'exploitation et de maintenance doivent être pris en compte.

Résumé et Outlook

LlamaIndex a évolué de l'outil d'indexation de données unique "GPT Index" d'origine à une plate-forme à liens complets couvrant le flux de travail de l'agent d'indexation RAG d'analyse de documents. Sa principale compétitivité réside dans la « standardisation » : résumer chaque section du format consommable document->données structurées->LLM dans une API remplaçable, afin que les organisations de différentes piles technologiques et tailles puissent y créer des applications d'IA documentaire. La capacité Agentic OCR de LlamaParse élargit encore le champ d'application, s'étendant du texte brut PDF aux documents complexes tels que l'écriture manuscrite, les documents numérisés et les tableaux denses.

Limites et incertitudes actuelles : 1) Bien que la qualité d'analyse des documents chinois continue de s'améliorer, la prise en charge de la disposition verticale des livres anciens et des gribouillis manuscrits chinois n'est toujours pas aussi stable que l'anglais ; 2) La courbe d'apprentissage du framework n'est pas faible : les novices ont besoin de temps pour trier les relations hiérarchiques entre des concepts tels que Index, Retriever, QueryEngine, Postprocessor, Workflows, etc. ; 3) Le prix de LlamaCloud Enterprise Edition n'a pas été divulgué et vous devez contacter le service commercial pour obtenir un devis détaillé et effectuer une POC avant d'acheter. Vérification; 4) La vitesse de consommation de points du traitement des documents numérisés à haute fréquence peut dépasser les attentes. Il est recommandé de mesurer la consommation réelle de points par page lors de la phase POC. Avant la mise en œuvre, l'équipe technique doit se concentrer sur l'évaluation : si la qualité d'analyse des documents chinois atteint le seuil commercial, si le délai de récupération de LlamaCloud dans des scénarios de concurrence élevée peut respecter le SLA et si le plan de déploiement du VPC couvre les exigences de souveraineté des données.

Outils associés : Copilote GitHub, Curseur

Comment utiliser l'index GPT (LlamaIndex)

• Client Web : Vous pouvez l'utiliser en visitant le site officiel et en créant un compte. La plupart des fonctions ne nécessitent pas d'installation.
• Accès API : fournit une API RESTful, les développeurs peuvent obtenir la clé API et l'intégrer dans leurs propres applications.

Informations de version

• LlamaIndex 0.14.23 ：PyPI publie la dernière version et continue d'itérer sur les principales lignes du framework Agent, de l'analyse de documents (LlamaParse) et des capacités RAG. （2026-06-24）
• LlamaIndex 0.14.22 ：La série 0.14 continue d'évoluer pour améliorer l'analyse multimodale des documents et la stabilité du flux de travail des agents. （2026-05-14）
• LamaIndex 0.13.0 ：Présentation de l'intégration approfondie d'Agentic OCR et de LlamaParse pour prendre en charge la compréhension de la mise en page de documents complexes. （2025-07-31）
• LamaIndex 0.12.0 ：Version de refactoring majeure, introduisant la gestion modulaire des packages (llama-index-core) et une nouvelle API de moteur de requête. （2024-11-18）
• Refactorisation majeure ：Jalon de division de la structure du package, entrée dans l’ère modulaire. （2024-02-12）