Nejlepší RAG framework 2026: LangChain vs LlamaIndex vs Haystack (a kdy žádný nepotřebujete)

Nejlepší RAG framework 2026: LangChain vs LlamaIndex vs Haystack (a kdy žádný nepotřebujete)

LangGraph 1.0 vyšel v první stabilní verzi koncem roku 2025 a LangChain měl v červenci 2026 už 143 060 hvězdiček na GitHubu. Tyto dva fakty vymezují rozhodnutí, před kterým stojíte. Nejlepší RAG framework roku 2026 závisí na jediné otázce: opravdu nějaký potřebujete? Pro Q&A aplikaci nad jedním korpusem a jedním poskytovatelem stačí SDK poskytovatele a vektorový klient. Pro ingest z více zdrojů nebo agentní vyhledávání zvolte LangChain/LangGraph nebo LlamaIndex.

Klíčové závěry

• Výchozí volba: LangChain 1.0 + LangGraph pro produkční aplikace, které potřebují vícekrokovou orchestraci.
• Jeden korpus, jeden poskytovatel? Framework přeskočte. SDK poskytovatele + vektorový klient nasadíte rychleji.
• Režie frameworku tvoří méně než 10 % celkové latence RAG. Na strategii vyhledávání záleží víc.
• Sledujte pushed_at, ne hvězdičky. Živý repozitář pokaždé porazí ozářenou mrtvolu.

Všechny RAG frameworky roku 2026 v porovnání

Osm orchestračních frameworků a jedna varianta bez frameworku, hodnocené podle toho, co tech lead před rozhodnutím skutečně kontroluje. Tabulka pokrývá pouze orchestrační vrstvu. Celý RAG stack včetně vektorových databází a rerankerů je samostatné rozhodnutí.

Naposledy ověřeno: 31. 7. 2026

Verdikty výše jsou výchozí body, ne konečné odpovědi. Následující sekce vám řekne, zda některý z nich vůbec potřebujete. Pokud ano, srovnání kódu v H2 č. 3 ukáže, jak vypadá život v každém z nich.

Potřebujete v roce 2026 vůbec RAG framework?

Možná ne. Framework pro generování obohacené o vyhledávání (RAG) si své místo zaslouží tehdy, když má vaše pipeline skutečnou orchestrační složitost. Pro přímočarou aplikaci na odpovídání dotazů nad jedním korpusem, jedním poskytovatelem LLM a standardní strategií chunkování stačí SDK poskytovatele a vektorový klient. Nasadíte za dny, ne za týdny.

Tři větve, řečeno přímo:

Větev 1: Jeden korpus, jeden poskytovatel, přímočaré Q&A. Použijte přímo SDK poskytovatele. Embeddingový endpoint OpenAI plus Qdrant, Chroma nebo pgvector jako vektorové úložiště vám dá funkční pipeline na méně než 50 řádků. Žádná daň za abstrakci. Žádné upgrady frameworku, které musíte sledovat. Pokud před výběrem potřebujete pochopit koncepty pipeline, nejprve si postavte RAG pipeline od začátku do konce.

Větev 2: Ingest z více zdrojů, desítky formátů dokumentů, trápení s parsováním. Tady si framework svou cenu zaslouží. Readery LlamaIndexu zvládají přes 160 formátů souborů. Konvertory Haystacku a hloubkové parsování PDF v RAGFlow vám ušetří týdny psaní vlastních loaderů. Režie orchestrace je reálná, ale vedle práce s ingestem malá.

Větev 3: Agentní, vícekrokové vyhledávání. Použijte framework, jinak si špatně a bez testů přestavíte LangGraph. Podmíněné směrování, kontrolní body s lidským dohledem a stavové vícekolové vyhledávání jsou přesně to, pro co byl LangGraph 1.0 postaven.

Protiargument je reálný a zdokumentovaný. Octomind provozoval LangChain v produkci přes 12 měsíců od začátku roku 2023 a v roce 2024 jej odstranil. Jejich uvedené důvody: abstrakce ztěžovaly nebo znemožňovaly změny na nižších úrovních a modulární stavební bloky kódovou základnu zjednodušily. Diskuze na Hacker News přitáhla stovky komentářů od inženýrů s podobnými příběhy.

Co se změnilo na straně prodejců: SDK poskytovatelů pohltila velkou část toho, co frameworky dříve abstrahovaly. Nativní volání nástrojů, streamování volání nástrojů a prompt caching jsou dnes v SDK OpenAI a Anthropic prvotřídní občané. Mezera abstrakce, která v roce 2023 ospravedlňovala framework, se do roku 2026 výrazně zúžila.

Většina týmů přeceňuje složitost orchestrace, která je čeká, a podceňuje cenu frameworku, který nepotřebují.

Stejná RAG pipeline napsaná čtyřmi způsoby

Nejrychlejší způsob, jak framework posoudit, je přečíst si stejný úkol napsaný v něm. Níže: načtěte dva dokumenty, indexujte je, odpovězte na otázku. Stejné vstupy, stejný tvar výstupu. Čtyři implementace.

LangChain (18 řádků):

from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import InMemoryVectorStore
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

docs = TextLoader("docs/guide.txt").load() + TextLoader("docs/faq.txt").load()
vectorstore = InMemoryVectorStore.from_documents(docs, OpenAIEmbeddings())
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

prompt = ChatPromptTemplate.from_template(
    "Answer from context:\n{context}\n\nQuestion: {question}"
)
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-4o")
    | StrOutputParser()
)
print(chain.invoke("What is the return policy?"))

Pozorování: 18 řádků, čitelné, ale samotný seznam importů vám prozradí závislosti, ke kterým se upisujete.

LlamaIndex (12 řádků):

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding

Settings.llm = OpenAI(model="gpt-4o")
Settings.embed_model = OpenAIEmbedding()

documents = SimpleDirectoryReader("docs/").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine(similarity_top_k=4)

print(query_engine.query("What is the return policy?"))

Pozorování: 12 řádků. Nejkratší cesta od složky k odpovědi. Na tom, jaký embeddingový model jí předáte, záleží víc než na frameworku, který ji obaluje.

Haystack (16 řádků):

from haystack import Pipeline
from haystack.components.converters import TextFileToDocument
from haystack.components.writers import DocumentWriter
from haystack.components.embedders import OpenAITextEmbedder, OpenAIDocumentEmbedder
from haystack.components.retrievers import InMemoryEmbeddingRetriever
from haystack.components.generators import OpenAIGenerator
from haystack.document_stores.in_memory import InMemoryDocumentStore

store = InMemoryDocumentStore()
indexing = Pipeline()
indexing.add_component("converter", TextFileToDocument())
indexing.add_component("embedder", OpenAIDocumentEmbedder())
indexing.add_component("writer", DocumentWriter(document_store=store))
indexing.connect("converter", "embedder")
indexing.connect("embedder", "writer")
indexing.run({"converter": {"sources": ["docs/guide.txt", "docs/faq.txt"]}})

query = Pipeline()
query.add_component("embedder", OpenAITextEmbedder())
query.add_component("retriever", InMemoryEmbeddingRetriever(document_store=store, top_k=4))
query.add_component("generator", OpenAIGenerator(model="gpt-4o"))
query.connect("embedder", "retriever")
query.connect("retriever", "generator")
print(query.run({"embedder": {"text": "What is the return policy?"}}))

Pozorování: 16 řádků, ale nejexplicitnější propojení. Každé spojení je viditelné. Tato upovídanost se vyplatí při 40 a více komponentách.

Bez frameworku (14 řádků):

from openai import OpenAI
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = OpenAI()
qdrant = QdrantClient(url="http://localhost:6333")
qdrant.create_collection("docs", VectorParams(size=1536, distance=Distance.COSINE))

texts = [open("docs/guide.txt").read(), open("docs/faq.txt").read()]
embeddings = client.embeddings.create(input=texts, model="text-embedding-3-small")
points = [PointStruct(id=i, vector=e.embedding, payload={"text": t})
          for i, (e, t) in enumerate(zip(embeddings.data, texts))]
qdrant.upsert("docs", points)

query_emb = client.embeddings.create(input=["return policy"], model="text-embedding-3-small")
hits = qdrant.query_points("docs", query_emb.data[0].embedding, limit=4).points
context = "\n".join(h.payload["text"] for h in hits)
answer = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": f"Answer from context:\n{context}\n\nQuestion: What is the return policy?"}]
)
print(answer.choices[0].message.content)

Pozorování: 14 řádků, nulové závislosti na frameworku, vektorová databáze pod tím je jediné infrastrukturní rozhodnutí. Nejtěžší rozšíření za hranici 3 typů dokumentů.

8 RAG frameworků, které v roce 2026 stojí za pozornost

Správný framework je ten, jehož abstrakce odpovídají vašemu skutečnému úzkému místu. Trápení s parsováním ukazuje na LlamaIndex nebo RAGFlow. Orchestrační složitost ukazuje na LangGraph. Podniková compliance ukazuje na Haystack nebo Semantic Kernel. Tady je celé pole.

1. LangChain / LangGraph, nejlepší pro vícekrokové agentní pipeline

Největší ekosystém v oboru, nyní stabilizovaný pod LTS vydáním 1.0. LangChain 1.0 uvedl create_agent a systém middlewaru; LangGraph 1.0 dosáhl GA s trvalým stavem a kontrolními body s lidským dohledem. Upřímný limit: plocha abstrakce je velká a týmy, které potřebují jen jednoduché vyhledávání, s sebou nesou váhu, kterou nikdy nevyužijí. LangGraph je v oboru navzdory tomu, že jde o nejsilnější dostupnou možnost stavové orchestrace, podvyužitý. Konkrétně pro úhel agentní smyčky viz jak si LangGraph stojí proti CrewAI a OpenAI Agents SDK.

Zvolte, pokud potřebujete podmíněné směrování, vícekolové vyhledávání nebo brány s lidským schválením v produkci.

2. LlamaIndex, nejlepší pro ingest velkého množství dokumentů

Přes 160 datových konektorů, nejsilnější parsování PDF, tabulek a strukturovaných dokumentů bez konfigurace. Workflows 1.0 přidaly odlehčenou událostmi řízenou vrstvu pro agentní vzory bez plné váhy LangGraphu. Limit: pokud je vaším úzkým místem orchestrace, nikoli ingest, abstrakce dotazovacího enginu LlamaIndexu vám začnou jít proti srsti. TypeScriptový port zaostává za Pythonem o několik vydání.

Zvolte, pokud je váš korpus nepořádaný (skenovaná PDF, tabulky, smíšené formáty) a parsování je místo, kde ztrácíte čas.

3. Haystack, nejlepší pro podnikové NLP a týmy v EU

Licence Apache-2.0, typované komponenty pipeline a silný příběh pro regulovaná odvětví. Haystack 3.0 (vydán v červenci 2026) dále vyčistil API komponent. deepset nabízí managed cloudovou variantu pro týmy, které nechtějí provozovat vlastní hosting. Limit: menší komunita než LangChain nebo LlamaIndex, méně integrací třetích stran a migrace z 1.x na 2.x byla téměř kompletní přepis, který rané osvojitele spálil.

Zvolte, pokud působíte v regulovaném odvětví EU a potřebujete licenci Apache-2.0 s typovanými, auditovatelnými pipeline.

4. RAGFlow, nejlepší pro bezplatné a hloubkové parsování dokumentů

Engine od InfiniFlow pod licencí Apache-2.0, který dělá šablonové parsování PDF (tabulky, obrázky, vzorce) lépe než cokoli jiného v open-source poli. 86 478 hvězdiček a aktivní týdenní vydání. Limit: je to spíše engine na parsování a vyhledávání než obecný orchestrační framework. Pro agentní směrování nebo failover mezi poskytovateli budete stejně potřebovat něco dalšího.

Zvolte, pokud je přesnost parsování dokumentů vaše jediné největší úzké místo a chcete ho zdarma.

5. DSPy, nejlepší pro optimalizaci promptů ve velkém měřítku

Framework ze Stanfordu zachází s prompty jako s programy, které kompilujete, ne jako s řetězci, které píšete. Definujete signatury a metriky; DSPy optimalizuje prompty a few-shot příklady automaticky. Limit: křivka učení je strmá, abstrakce akademické a produkční nasazovací vzory stále dozrávají. Verze 3.2.1 vyšla v květnu 2026.

Zvolte, pokud máte evaluační data, chcete systematickou optimalizaci promptů a máte trpělivost na nástroj výzkumné úrovně.

6. Dify, nejlepší pro no-code prototypování

Vizuální builder, který vám dá funkční RAG aplikaci za odpoledne. 150 858 hvězdiček, nejvíce hvězdiček v tomto seznamu. Limit: je to platforma, ne knihovna. Rychlost vyměníte za kontrolu na úrovni kódu. Vlastní logika vyhledávání nad rámec vizuálního editoru rychle ztrácí eleganci. Licence je upravená Apache-2.0 s dodatečnými komerčními podmínkami pro multi-tenant nasazení.

Zvolte, pokud potřebujete funkční demo tento týden a vaše logika vyhledávání je standardní.

7. txtai, nejlepší pro odlehčené jednosouborové aplikace

Vše v jednom: embeddingová databáze, vyhledávací engine a LLM pipeline v jediném Python balíčku. 12 769 hvězdiček, Apache-2.0 a skutečně nejlehčí možnost zde. Limit: je navržené pro malé až střední zátěže. Škálování na více uzlů, složité směrování a podnikové funkce nejsou cílem.

Zvolte, pokud chcete nejmenší možnou stopu závislostí a váš korpus se vejde do jednoho procesu.

8. Semantic Kernel, nejlepší pro .NET a podniková Microsoft prostředí

SDK Microsoftu pro integraci LLM do aplikací v C#, Pythonu a Javě. Nativní integrace Azure AI, telemetrie podnikové úrovně a jediná skutečná odpověď pro týmy uzamčené v Microsoft stacku. Limit: mimo Azure řídká integrace. Python SDK zaostává za C# v rychlosti přidávání funkcí.

Zvolte, pokud váš tým píše v C# nebo Javě a vaše infrastruktura už je Azure.

Pathway si zaslouží zmínku jako možnost streamovaného indexování pro průběžně aktualizované korpusy, ale je to framework na zpracování dat, ne orchestrační vrstva RAG, takže hodnocené místo nedostává.

Které RAG frameworky se stále aktivně vyvíjejí?

Hvězdičky vám řeknou, co bylo populární. Datum posledního commitu vám řekne, co je živé. Každý framework níže měl commit do 48 hodin od sepsání tohoto textu, což je zdravější stav, než jak vypadal obor před 12 měsíci.

Získáno z GitHub REST API dne 31. 7. 2026. Metoda: GET /repos/{owner}/{repo} pro hvězdičky a pushed_at, GET /repos/{owner}/{repo}/releases/latest pro tag vydání.

Sloupec pushed_at je ten, který nikdo jiný netiskne. Framework s 90 tisíci hvězdiček a žádným commitem čtyři měsíce je přítěž, ne aktivum. Všech osm repozitářů se zde v době psaní aktivně vyvíjí. Před závazkem si dotaz spusťte sami; čísla se hýbou týdně.

Ovlivňuje váš RAG framework latenci?

Sotva. Režie frameworku je nejmenší člen celkové doby odezvy. Dominují strategie vyhledávání a generování LLM a týmy, které vybírají framework podle benchmarkových milisekund, optimalizují špatnou proměnnou.

Nejsilnější důkaz pochází ze škálovací studie arXiv z července 2026, BM25 Wins at Scale. Výzkumníci měřili 28 vnořených úrovní korpusu napříč 450násobným rozsahem škály. Jejich zjištění: BM25 předběhne agentní vyhledávání zhruba při 10 milionech tokenů korpusu a vede každou větší úroveň, s rozdílem blížícím se 20 bodům v plné škále. Strategie vyhledávání, ne orchestrační potrubí, určuje, zda jsou vaše odpovědi dobré.

Tady je odvozený rozpočet latence pro jednu typickou RAG odezvu. Každá hodnota kromě režie orchestrace pochází z publikovaného zdroje načteného během psaní:

Předpoklady: dotaz jednoho uživatele, zahřátá spojení, žádná síťová opakování. Samotná fáze generování je 86 % celku.

Upřímná díra: nikdo nepublikuje reprodukovatelné měření režie frameworku. Jedno číslo kolující online (15–40 ms, přisuzované obsahovému webu v dubnu 2026) sedí za stránkou, která vrátila HTTP 403 jak 30. 7. 2026, tak 31. 7. 2026, takže ho nemůžeme citovat. I kdybychom povolili velkorysých 50 ms režie orchestrace, je to méně než 4 % z celkových 1 395 ms odezvy.

Naše čtení těchto čísel: volba frameworku není rozhodnutí o latenci. Tím jsou strategie vyhledávání a generování. Pokud se vaše RAG aplikace cítí pomalá, profilujte volání LLM a krok vyhledávání, než svalíte vinu na orchestrační vrstvu.

Na čem bychom v roce 2026 nový projekt nezakládali

Tři položky, každá podložená pozorovatelným důkazem, nikoli názorem:

Haystack 1.x. Vydání 2.x od deepsetu bylo téměř kompletní přepis API a 3.0 vyšlo v červenci 2026. Řada 1.x se už nevyvíjí. Začít na ní dnes znamená přijmout mrtvé API. Aktuální verzi ověřte ve vlastní dokumentaci deepsetu.

Řetězcové vzory LangChain 0.x. LangChain před 1.0 neměl záruku stability. Politika vydání nyní říká, že breaking changes přicházejí pouze v hlavních verzích, a 1.0 je označeno jako LTS. Kód napsaný proti vzorům LLMChain z 0.x bude potřebovat migraci. Začněte na 1.0.

Jakýkoli repozitář s pushed_at starším než šest měsíců. Toto je obecné pravidlo, ne pojmenovaný produkt. Tabulka výše ukazuje všech osm aktivních repozitářů. Pokud se framework, který hodnotíte, neobjeví tam, před závislostí na něm zkontrolujte jeho poslední commit.

Poznámka ke kategorii: no-code platformy jako Dify jsou jiné rozhodnutí než code-first frameworky. Neuvádíme je zde jako položky „přeskočit". Řeší jiný problém (rychlost k demu vs. dlouhodobá udržitelnost).

Jak vybrat RAG framework?

Čtyři ortogonální otázky. Odpovězte na ně v pořadí a pole se rychle zúží na jednu nebo dvě možnosti.

Ještě jedno kritérium, které nikdo neoceňuje: cena odchodu. Politika vydání LangChainu se zavazuje k breaking changes pouze v hlavních verzích, přičemž 1.0 je LTS vydání aktivní do 2.0 a poté minimálně jeden rok v údržbě. To je konkrétní záruka vratnosti. Přepis Haystacku z 1.x na 2.x je varovným protipříkladem. Započítejte do výběru i cenu migrace, ne jen seznamy funkcí.

Jak k tomu přistupujeme v Techsy

Žádný z těchto frameworků neprodáváme. Tři ze čtyř čitelných konkurenčních stránek v tomto SERP uprostřed doporučení tlačí vlastní produkt. My žádný nemáme, takže výše uvedené volby nejsou omezeny výnosem.

Když tým Techsy vybírá orchestrační vrstvu pro klientskou práci, vycházíme z otázky úzkého místa výše, nejprve prototypujeme verzi bez frameworku a framework přidáváme, teprve když nám kód řekne, že složitost je reálná. Většina projektů zůstává ve větvi 1 déle, než tým čeká.

Pokud chcete druhý názor na svůj stack, získejte bezplatnou konzultaci.

O autorovi

Mert Batur je spoluzakladatelem Techsy.io, kde tým dodává AI agenty, automatizační systémy a hlasové/SDR pipeline pro B2B klienty. Píše o stacku nástrojů pro LLM, který tým Techsy skutečně používá v produkci.

Spoluzakladatel, Techsy.io | LinkedIn

Často kladené otázky

Co je RAG framework?

RAG framework je orchestrační knihovna, která obstarává propojení mezi vašimi dokumenty, vektorovým úložištěm a LLM. Spravuje ingest, chunkování, embedding, vyhledávání a generování jako propojenou pipeline. Bez něj tyto fáze propojujete ručně pomocí SDK poskytovatelů a klienta vektorové databáze.

Potřebuji vůbec RAG framework?

Ne vždy. Pokud máte jeden korpus, jednoho poskytovatele LLM a přímočaré Q&A, stačí SDK poskytovatele a vektorový klient. Framework potřebujete tehdy, když čelíte ingestu z více zdrojů, desítkám formátů dokumentů nebo agentnímu vícekrokovému vyhledávání s podmíněným směrováním a stavem.

Jaký je nejlepší RAG framework v roce 2026?

LangChain 1.0 s LangGraph je výchozí volbou pro produkční aplikace, které potřebují orchestraci. LlamaIndex vyhrává pro ingest velkého množství dokumentů. Pokud je vaše aplikace Q&A nad jedním korpusem u jednoho poskytovatele, framework zcela přeskočte a použijte přímo SDK poskytovatele.

Je pro RAG lepší LangChain, nebo LlamaIndex?

LangChain je lepší pro orchestrační složitost: vícekrokové směrování, agenty, lidský dohled. LlamaIndex je lepší pro složitost ingestu: více než 160 souborových konektorů, silnější parsování PDF a tabulek. Pokud vás bolí parsování, zvolte LlamaIndex. Pokud vás bolí směrování a stav, zvolte LangChain.

Jak se RAG framework liší od vektorové databáze?

Vektorová databáze ukládá a vyhledává embeddingy. RAG framework orchestrace celou pipeline: načítání dokumentů, chunkování, embedding, ukládání, vyhledávání, reranking a generování. Framework se napojuje na vektorovou databázi. Pinecone a Qdrant jsou vektorové databáze. LangChain a LlamaIndex jsou frameworky, které je používají.

Jaký je nejlepší open-source RAG framework?

LangChain (MIT), LlamaIndex (MIT) a Haystack (Apache-2.0) jsou plně open source. Pro týmy v EU, které potřebují konkrétně Apache-2.0, je nejsilnější volbou Haystack. RAGFlow (Apache-2.0) je nejlepší open-source možností, pokud je vaší hlavní starostí přesnost parsování dokumentů.

Který RAG framework nejlépe zpracuje rozsáhlá PDF?

RAGFlow vede v surové přesnosti parsování PDF díky šablonovému přístupu k tabulkám, obrázkům a vzorcům. LlamaIndex je silnější všestrannou volbou, pokud potřebujete více než 160 formátových konektorů nad rámec PDF. Haystack 3.0 si se strukturovanými dokumenty poradí dobře, ale má méně vestavěných konektorů než LlamaIndex.

Kolik stojí RAG frameworky?

Všech osm frameworků v tomto článku je zdarma a open source. Vaše náklady jsou infrastruktura (hosting vektorové databáze, typicky 0–70 $ měsíce v malém měřítku) a volání LLM API (převažující průběžný výdaj). Managed varianty jako LangSmith, LlamaCloud a deepset Cloud přidávají náklady na předplatné za observabilitu a hosting.

Ovlivní zvolený framework latenci mé RAG aplikace?

Minimálně. Režie orchestrace tvoří méně než 4 % typické end-to-end odezvy. Generování LLM tvoří zhruba 86 %. Škálovací studie arXiv z července 2026 zjistila, že na strategii vyhledávání (BM25 vs. dense vs. agentní) záleží mnohem víc než na orchestračním potrubí. Rozpočet na optimalizaci utraťte za kvalitu vyhledávání (co vám ve skutečnosti řekne MTEB skóre) a rychlost generování, ne za volbu frameworku.

Zdroje

• Politika vydání LangChain (ověřeno 31. 7. 2026)
• Oznámení GA LangGraph 1.0
• Oznámení GA LangChain 1.0
• LlamaIndex Workflows 1.0
• Dokumentace Haystack
• arXiv 2607.26497, BM25 Wins at Scale (odesláno 29. 7. 2026)
• Octomind, Why we no longer use LangChain
• Repozitář RAGFlow / Repozitář Dify / Repozitář LlamaIndex