LlamaIndex.ts功能是否媲美Python版？是否应转用Langchain.js？

针对你的场景，转用Langchain.js不仅合适，还能解决当前遇到的核心问题：

• 原生支持Qdrant向量存储：Langchain.js官方提供了QdrantVectorStore实现，无需自行开发适配逻辑，直接就能把PDF解析后的文本片段通过embedding存入Qdrant。
• 内置GTE/MiniLM embeddings支持：无需额外集成第三方库，直接调用GTEEmbeddings或MiniLMEmbeddings类就能生成符合要求的向量。
• 自定义LLM接入灵活：Langchain.js对自定义LLM的集成机制成熟，不管你是用本地部署的模型还是自定义API服务，都能快速接入到检索-生成的流程中。
• 资源与文档充足：官方文档详尽，社区案例丰富，遇到问题能找到现成的解决方案，完全不用担心像LlamaIndex.ts那样缺乏支持资源的情况。

核心流程示例代码 #

// PDF加载、分割、存入Qdrant并执行查询的核心逻辑
import { RecursiveCharacterTextSplitter } from "langchain/text_splitter";
import { PuppeteerPDFLoader } from "langchain/document_loaders/fs/pdf";
import { GTEEmbeddings } from "langchain/embeddings/gte";
import { QdrantVectorStore } from "langchain/vectorstores/qdrant";
// 替换为你的自定义LLM实现类
import { YourCustomLLM } from "./your-custom-llm";
import { RetrievalQAChain } from "langchain/chains";

// 加载并切割PDF文档
const loader = new PuppeteerPDFLoader("./uploaded-document.pdf");
const rawDocs = await loader.load();
const splitter = new RecursiveCharacterTextSplitter({
  chunkSize: 1000,
  chunkOverlap: 200,
});
const splitDocs = await splitter.splitDocuments(rawDocs);

// 将切割后的文档存入Qdrant
const embeddings = new GTEEmbeddings();
const vectorStore = await QdrantVectorStore.fromDocuments(
  splitDocs,
  embeddings,
  {
    url: "你的Qdrant服务地址",
    apiKey: "你的Qdrant API密钥",
    collectionName: "pdf-documents",
  }
);

// 构建检索查询链并执行查询
const customLLM = new YourCustomLLM({ /* 你的LLM配置 */ });
const qaChain = RetrievalQAChain.fromLLM(customLLM, vectorStore.asRetriever());
const queryResult = await qaChain.call({ query: "请查询文档中的XX内容" });

console.log(queryResult.text);

如果之前在LlamaIndex.ts上有少量已完成的代码，迁移成本也很低——Langchain.js的模块划分清晰，对应功能都有直接的替代方案，很快就能完成切换。

内容的提问来源于stack exchange，提问作者Zainul Abideen