【図解で比較】LangChain vs LlamaIndex — RAGフレームワークはどっちを選ぶ？

ひよこ

自分のメモを見ながら答えるAIを作りたい！LangChainとLlamaIndexはどう選ぶ？

ペンギン先生

どちらでもRAGやエージェントを作れるよ。まずRAGは、質問に関係する情報を検索し、その結果をモデルに渡して回答を作る仕組みだね。『片方だけがRAG用、もう片方だけがエージェント用』ではなく、自分が組み立てたい処理で選ぼう。

ひよこ

LangChainは何から理解すればいい？

ペンギン先生

現在のLangChainは、モデル・ツール・指示・ミドルウェアを組み合わせるcreate_agentを提供しているよ。LangGraphは状態を持つ処理や分岐を細かく組むための下位の仕組みで、LangChainのエージェントもその上に構築されているんだ。新規開発では何でもLangGraphを直接使う、という意味ではないよ。

ひよこ

LlamaIndexはデータ検索専用なの？

ペンギン先生

データの読み込み、解析、インデックス化、検索をモデルにつなぐ道具がそろっているけれど、それだけではないよ。エージェントやイベント駆動のWorkflowsも提供していて、検索を道具の一つとして複数の処理を組み合わせられるんだ。

ひよこ

簡単なRAGなら、どんな流れを作るの？

ペンギン先生

文書を取り込み、必要に応じて小さなまとまりに分け、検索できる形で保存する。質問に関係する部分を取得し、根拠と一緒に回答を作るよ。どちらでもこの流れを作れるけれど、PDFの解析方法や権限、更新方法で必要な設定は増える。コードが数行なら完成、とは考えないようにしよう。

ひよこ

対応するモデルやデータベースは違う？

ペンギン先生

それぞれ連携パッケージがあり、モデルや保存先に合わせて選べるよ。対応表を見るだけでなく、必要な機能、認証方式、インストールするパッケージ、バージョンを確認しよう。コネクタ数の多さが、そのまま自分の文書を正しく読めることを意味するわけではないね。

ひよこ

学習コストや料金はどう比べる？

ペンギン先生

同じ小さな課題を作り、設定量とデバッグのしやすさを比べるのがおすすめだよ。フレームワークと、LLM API・ベクトルDB・商用クラウドサービスの契約は別。初期設定が簡単でも、運用時の利用料や監視の手間まで確認しよう。

ひよこ

検索できれば、正しい回答になるの？

ペンギン先生

そうとは限らないよ。検索漏れや古い文書、権限のない文書の混入、根拠にない回答を点検する必要がある。代表的な質問と期待する根拠を用意し、検索と回答生成を分けて評価しよう。どちらを使う場合も、引用元を辿れるようにすると確認しやすいね。

ひよこ

最初の選び方を教えて！

ペンギン先生

データ取り込みから検索までを重点的に試すならLlamaIndexの入門例、ツールを組み合わせるエージェントを試すならLangChainの入門例を出発点にしてみよう。細かな状態管理が必要ならLangGraphも検討する。両方を組み合わせることもできるけれど、最初は一方で小さく作って必要性を確かめようね。

まずは「自分のメモに答える」を小さく比べる

架空のお店の営業時間と返品ルールを、短い文書にまとめたと考えてみましょう。「何時まで開いている？」には営業時間の段落を探し、「会員割引は？」には文書に答えがないと分かることが、最初の課題です。

同じ文書・同じ質問・同じモデルで両方を試すと、読み込みや検索の設定の違いを比較しやすくなります。最初から多くのツールを持つエージェントを組まず、取得した文書片と回答を別々に確認しましょう。機密文書は、利用するサービスへの送信や保存条件を確かめる前に投入しません。

RAGは検索で根拠を渡す仕組みで、回答の正しさを保証するものではありません。仕組みから読むならRAG、ローカルでモデルを試すならOllama入門へ進めます。

同じ課題で比較する

学び始めるときの手順

1. 公開してよい短い文書と質問を数件用意する。
2. 各公式ドキュメントの現行の入門例を選び、使用する言語とパッケージのバージョンを記録する。
3. 検索した文書片と回答を別々に確認する。
4. 誤った質問・答えのない質問も試し、設定量と運用のしやすさを比べる。

LangChainはcreate_agent、より細かな制御はLangGraph、道具をまとめた構成にはDeep Agentsという選択肢があります。LlamaIndexもAgentsとWorkflowsを提供しています。『LlamaIndexのエージェントは未成熟』『新規開発はすべてLangGraph』といった一律の判断は避け、必要な機能を現行資料で確認しましょう。

ここでの出発点の提案は用途に基づく目安です。速度・精度・開発工数の実測ランキングではありません。

参考資料

確認日：2026年10月9日。機能・利用条件は更新されるため、利用時は各公式ページも確認してください。

• LangChain概要 — create_agent・LangGraph・Deep Agentsの役割
• LlamaIndex公式ドキュメント — データ接続・Agents・Workflows