LlamaIndex
IA / LLM 🟡 MidDéfinition
Framework centré sur les données pour construire des agents et du RAG : connecteurs d'ingestion, index (représentations intermédiaires optimisées pour le LLM), moteurs de requête et de chat, agents outillés et workflows événementiels. Disponible en Python (référence) et en TypeScript (LlamaIndex.TS sur npm).
Analogie
Un documentaliste qui indexe vos archives puis répond aux questions en citant les bons dossiers.
Exemple de code
import { Document, VectorStoreIndex, Settings } from 'llamaindex';
import { anthropic } from '@llamaindex/anthropic';
Settings.llm = anthropic({ model: 'claude-sonnet-5' });
const docs = files.map(f => new Document({ text: f.content, metadata: { url: f.url } }));
const index = await VectorStoreIndex.fromDocuments(docs); // chunking + embeddings
const engine = index.asQueryEngine({ similarityTopK: 4 });
const res = await engine.query({ query: 'Quel est le délai de rétractation ?' });
console.log(res.toString());
for (const n of res.sourceNodes ?? []) console.log('source :', n.node.metadata.url);Cas d'usage
Prototyper un RAG complet en quelques lignes avant d'industrialiser ; pipelines d'ingestion de documents variés.
Anti-pattern
Garder l'index en mémoire de processus en production : le recalcul des embeddings à chaque redémarrage coûte cher.
Termes liés
Fiche mise à jour le 2026-09-27