جديدPublication of @aurabase/aurabase-js v0.7.5 NPM Packages & Rust Crate v0.1.2انظر سجل التغيير →

الذكاء الاصطناعي الأصلي · 9 دقيقة للقراءة

LangChain مقابل LlamaIndex لوكلاء Postgres

Affane Daylami · Fondateur · 24 مارس 2026

العودة إلى بلوق

LangChain وLlamaIndex لا يجيبان على نفس السؤال الأولي. تم إنشاء LangChain كمجموعة أدوات عامة لتسلسل المكالمات إلى ماجستير إدارة الأعمال والأدوات والذاكرة. وُلد LlamaIndex كإطار بيانات، مصمم لربط ماجستير إدارة الأعمال (LLM) بمصادر منظمة أو غير منظمة. لقد تقارب الاثنان منذ ذلك الحين: الوكلاء واتصال RAG وSQL موجودون اليوم على كلا الجانبين. يعتمد الاختيار على البنية التي تناسب وكيلك بشكل أفضل، وليس على القدرة التي يفتقدها أحد الجانبين.

تمت ترجمة هذه الصفحة تلقائيًا. النسخة الإنجليزية موثوقة.

هذه المشاركة جزء من بانوراما Aurabase الخاصة بـ للذكاء الاصطناعي الأصلي. لا يقدم أي من الإطارين موصلاً خاصًا لقاعدة بيانات: يتم الاتصال بـ Postgres، في كلتا الحالتين، من خلال برنامج تشغيل SQL عام (SQLAlchemy على جانب Python) وسلسلة اتصال قياسية. ينطبق هذا على Aurabase كما ينطبق على أي Postgres مُدار.

الأساسيات
  • LangChain: الإطار العام للتنسيق LLM (السلاسل، الأدوات، الذاكرة). يتم إنشاء الوكلاء اليوم عبر LangGraph، ويتم التعامل مع SQL كمجموعة أدوات واحدة من بين مجموعة أدوات أخرى.
  • LlamaIndex: إطار بيانات تم إنشاؤه لـ RAG والاستعلام عن المصادر المنظمة. محرك SQL الأصلي (NLSQLTableQueryEngine)، الوكلاء عبر محرك Workflowsالخاص به.
  • CrewAI و AutoGen ليست بدائل لـ LangChain/LlamaIndex: إنها طبقات تنسيق متعددة العوامل، موضوعة فوق إحدى الاثنين (أو وظيفة Python داخلية).
  • لا يقدم LangChain ولا LlamaIndex موصل Postgres خاص: كلاهما يستخدم SQLAlchemy، وهو متوافق مع أي Postgres مُدار، Aurabase متضمن.
  • لا يوجد تكامل معبأ Aurabase لهذه الأطر حتى الآن. يتم الاتصال عبر سلسلة الاتصال القياسية Postgres التي يكشفها كل مشروع.
#
نظرة عامة

إطاران ولدا لاحتياجات مختلفة

ظهر LangChain وLlamaIndex خلال نفس الفترة، في أعقاب إصدار ChatGPT في نهاية عام 2022. وتختلف نقطة بدايتهما بشكل ملحوظ. يقوم LangChain بتصميم تطبيق LLM كسلسلة من الخطوات القابلة للتركيب: موجه، واستدعاء نموذج، وأداة، وذاكرة، وكلها مجمعة عبر LCEL أو رسم بياني LangGraph.

LlamaIndex بيانات النماذج الأولى: المستندات والعقد والفهارس ومحرك الاستعلام. VectorStoreIndex أو SQLDatabase هم مواطنون من الدرجة الأولى، وليسوا أدوات مضافة إلى وكيل عام. كلاهما مفتوح المصدر (ترخيص MIT)، ومتوفران في Python وTypeScript، ويغطيان اليوم نطاقًا متداخلًا إلى حد كبير: الوكلاء، وRAG، واستدعاء الأدوات، واتصال SQL.

هذا التقارب يجعل المقارنة أكثر فائدة في البنية مقارنة بقائمة الميزات: يمكن لكل منهما أن يفعل نفس الشيء تقريبًا. ما يتغير هو كيف.

#
اتصال قاعدة البيانات

كيف يقوم الجميع بالتوصيل بـ Postgres، بدون التكامل المعبأ

على الجانب LangChain، تحتوي الوحدة langchain_community.utilities.SQLDatabase على محرك SQLAlchemy. يقوم وكيل create_sql_agent بعد ذلك بعرضه كمجموعة من الأدوات: سرد الجداول، ووصف المخطط، وتنفيذ استعلام، والتحقق من الاستعلام قبل التنفيذ.

langchain_sql_agent.pypython
from langchain_community.utilities import SQLDatabase
from langchain_community.agent_toolkits import create_sql_agent
from langchain_openai import ChatOpenAI

# تم الحصول على القناة من الاستوديو → الإعدادات → الاتصال.
# مسار search_path إلى مخطط المشروع (راجع مستند SQLAlchemy/psycopg لـ
# الترميز الدقيق لمعلمة "الخيارات" اعتمادًا على برنامج التشغيل المستخدم).
db = SQLDatabase.from_uri(
    "postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
)

llm = ChatOpenAI(model="gpt-4o-mini")
agent = create_sql_agent(llm=llm, db=db, agent_type="tool-calling")

agent.invoke({"input": "Combien de commandes la semaine dernière ?"})

على الجانب LlamaIndex، التجريد المكافئ هو llama_index.core.SQLDatabase، المبني أيضًا على محرك SQLAlchemy. يقوم محرك الاستعلام NLSQLTableQueryEngine بترجمة سؤال اللغة الطبيعية إلى استعلام SQL، وتنفيذه، ثم إعادة صياغة النتيجة كاستجابة.

llamaindex_sql_query_engine.pypython
from sqlalchemy import create_engine
from llama_index.core import SQLDatabase
from llama_index.core.query_engine import NLSQLTableQueryEngine
from llama_index.llms.openai import OpenAI

engine = create_engine(
    "postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
)
sql_database = SQLDatabase(engine, include_tables=["orders", "customers"])

query_engine = NLSQLTableQueryEngine(
    sql_database=sql_database, llm=OpenAI(model="gpt-4o-mini"),
)
response = query_engine.query("Combien de commandes la semaine dernière ?")

لا يعتمد أي من المستخلصين على Aurabase. يعد برنامج تشغيل SQLAlchemy وسلسلة اتصال Postgres القياسية كافية، تمامًا مثل Supabase أو RDS أو مثيل مستضاف ذاتيًا.

#
الوكلاء

LangGraph مقابل سير العمل: طريقتان لتنظيم الوكيل

اقترح LangChain أولاً حلقة وكيل كلاسيكية (AgentExecutor، نمط ReAct). منذ ذلك الحين، قام المشروع بتجميع وكلائه نحو LangGraph: يتم تمثيل الوكيل هناك كرسم بياني واضح للعقد والحواف، مع نقاط التفتيش والتدخل البشري المحتمل بين المرحلتين.

يستجيب LlamaIndex بـ Workflows: تنسيق يحركه الحدث، حيث تصدر كل خطوة وتستهلك الأحداث المكتوبة. يتم توصيل محرك الاستعلام SQL أو المتجه مباشرة كخطوة، بدون طبقة تكيف إضافية، نظرًا لأن هذه المحركات هي بالفعل عناصر أولية أصلية لإطار العمل.

بالنسبة للوكيل الذي يستعلم عن Postgres، فإن الاختلاف العملي هو كما يلي: LangGraph يوفر تحكمًا دقيقًا في الفروع ويعيد المحاولة حول استدعاء SQL. يتطلب LlamaIndex رمز ربط أقل عندما يتعلق السؤال أولاً بالبيانات المفهرسة بالفعل بواسطة إطار العمل.

التعمق أكثر: البرنامج التعليمي لاستدعاء الوظيفة لوكيل Postgres

#
الاسترجاع والخرقة

حيث يظل LlamaIndex خطوة تاريخية إلى الأمام

تم تصميم LlamaIndex منذ البداية لربط LLM بمصادر البيانات، مع كتالوج الموصلات (LlamaHub) والفهارس المتخصصة اعتمادًا على نوع المحتوى. تظل RAG حالة الاستخدام الأكثر مباشرة لإطار العمل، وليست ميزة تمت إضافتها بعد حدوثها.

يغطي LangChain نفس الحاجة عبر retrievers وسلاسل الجلب، مع التكامل الناضج بنفس القدر في النظام البيئي LangGraph. لا يتعلق الاختلاف بالقدرة بقدر ما يتعلق بالمكان الذي يعيش فيه منطق الأعمال: فهو مدمج في الفهرس على الجانب LlamaIndex، ويتم تجميعه بشكل واضح في سلسلة على الجانب LangChain.

كلاهما يعرف كيفية استخدام pgvector كقاعدة متجهة: llama-index-vector-stores-postgres على الجانب LlamaIndex، فئة PGVector من الحزمة langchain-postgres على الجانب LangChain. في مشروع Aurabase، يكون pgvector 0.8.6 موجودًا بالفعل في صورة المستأجر Postgres: تتصل كلا الحزمتين به بنفس سلسلة الاتصال، بدون خطوة تنشيط منفصلة.

تعمق أكثر: إنشاء خط أنابيب Postgres/pgvector RAG

#
وكلاء متعددون

CrewAI وAutoGen: عندما لا يكون هناك وكيل واحد كافيًا

CrewAI ينسق عدة وكلاء لكل دور: يتلقى كل وكيل هدفًا وسياقًا (backstory) وأدوات، مجمعة في Crew مع Task يتم تنفيذها بالتسلسل أو وفقًا للتسلسل الهرمي. إنه إطار عمل تنسيقي كامل، وليس امتدادًا لـ LangChain.

AutoGen، وهو مشروع بحثي لشركة Microsoft، يتبع أسلوبًا مختلفًا: وكلاء يتحدثون مع بعضهم البعض (AssistantAgent, UserProxyAgent, GroupChat)، مع القدرة على تنفيذ التعليمات البرمجية في بيئة معزولة. يبدو التنسيق وكأنه محادثة، وليس رسمًا بيانيًا صريحًا للحالة مثل LangGraph.

ولا يحل أي منهما محل طبقة اتصال البيانات. وكيل CrewAI أو AutoGen الذي يحتاج إلى قراءة Postgres يستدعي، عمليًا، أداة SQL تم إنشاؤها باستخدام LangChain أو LlamaIndex، أو وظيفة Python بسيطة حول psycopg2. CrewAI وAutoGen يجيبان على "من يفعل ماذا وبأي ترتيب"، وليس "كيفية قراءة قاعدة البيانات".

#
حدود

ما لا يفعله أصلاً في قاعدة بيانات Postgres

create_sql_agent وNLSQLTableQueryEngine ينفذان الاستعلام الذي أنشأه النموذج مقابل الاتصال المقدم. لا يحد أي منهما عدد الصفوف التي يتم إرجاعها افتراضيًا، ولا يمنع طلب الكتابة: حاجز الحماية الفعلي هو دور Postgres المستخدم في سلسلة الاتصال، وليس خيار إطار عمل.

يعد هذا اختلافًا هيكليًا مع Aurabase الأصلي NL2SQL، والذي يترجم السؤال إلى SQL على جانب الخادم، ويتحقق من صحة الاستعلام الذي تم إنشاؤه (تحليل SQL، ورفض حقول الخادم المخادعة) ويحد LIMIT قبل التنفيذ. إنها ليست نفس الطوب: تستجيب نقطة النهاية NL2SQL بدورة واحدة، مع تثبيت حواجز الحماية بواسطة النظام الأساسي؛ يتم تنفيذ وكيل LangChain أو LlamaIndex على عدة مراحل، مع ضمانات لتجميع نفسك.

من الناحية العملية، يكمل النهجان بعضهما البعض بدلاً من استبعاد بعضهما البعض: نقطة نهاية NL2SQL محددة لسؤال بسيط يتعرض له المستخدم النهائي، وكيل للاستدلال متعدد الخطوات الذي يجمع بين عدة أدوات خارج SQL.

راجع أيضًا: NL2SQL البرنامج التعليمي على Postgres مع Aurabase

#
مقارنة

LangChain, LlamaIndex, CrewAI, AutoGen في جدول واحد

الهدف الرئيسيتنسيق LLM العامإطار البيانات / RAGتنسيق متعدد الوكلاء حسب الأدوارتنسيق المحادثة متعدد الوكلاء
الوكيل البدائيLangGraph (الرسم البياني للحالة)سير العمل (خطوات الحدث)الطاقم / المهمة / العمليةمساعد الوكيل/الدردشة الجماعية
اتصال SQL الأصليSQLDatabase + create_sql_agentSQLDatabase + NLSQLTableQueryEngineلا شيء (أداة خارجية)لا شيء (أداة خارجية)
pgvector الدعملانجشين بوستجرس (PGVector)اللاما-مؤشر-ناقلات-مخازن-postgresلا مواطنلا مواطن
وكيل متعدد أصليلا (عقدة متعددة LangGraph)لا (تدفق وكيل واحد)نعمنعم
الترخيصمعهد ماساتشوستس للتكنولوجيامعهد ماساتشوستس للتكنولوجيامعهد ماساتشوستس للتكنولوجيامعهد ماساتشوستس للتكنولوجيا (مشروع أبحاث مايكروسوفت)
لانجشينلاميندكسكريوايأوتوجين
#
عملي

قم بتوصيل LangChain أو LlamaIndex بالواجهة الخلفية القياسية Postgres

ثلاث خطوات كافية، بغض النظر عن إطار العمل المختار، وهي لا تعتمد على أي موصل خاص بالمنصة.

terminalbash
# 1. قم باسترجاع سلسلة اتصال المشروع Postgres
#    (الاستوديو → الإعدادات → الاتصال، أو أي Postgres مُدار)
export AURA_DB_URL="postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"

# 2. قم بتثبيت برنامج تشغيل SQL والإطار المختار
pip install langchain langchain-community langchain-openai psycopg2-binary
# أو على الجانب LlamaIndex:
pip install llama-index llama-index-llms-openai psycopg2-binary

# 3. قم بإنشاء دور Postgres مخصص، للقراءة فقط إذا كان على الوكيل الاستقصاء فقط
CREATE ROLE agent_readonly LOGIN PASSWORD '***';
GRANT SELECT ON ALL TABLES IN SCHEMA project_<id> TO agent_readonly;

الخطوة الثالثة أكثر أهمية من اختيار الإطار. يظل دور Postgres المقتصر على الحقوق الضرورية حقًا هو الضمان الوحيد الموثوق به ضد الطلب الذي يتجاوز نطاقه، بغض النظر عن الوكيل الذي ينفذه. راجع وثائق AI لتكوين موفري LLM الأصليين لـ Aurabase(OpenAI وAnthropic وGemini) القابلين للاستخدام من جانب الوكيل.

#
القرار

أي واحد تختار وفقا لمشروعك

لا يتفوق أي من الإطارين تمامًا على الوكيل المتصل بـ Postgres. يعد سياق البدء للمشروع أكثر حسمًا من قائمة الوظائف.

  • LangChain: إذا كان يجب على الوكيل الجمع بين عدة أدوات غير متجانسة (SQL، واجهات برمجة التطبيقات الخارجية، بحث الويب) مع التحكم الدقيق في التدفق عبر LangGraph، وإذا كان الفريق يقدر النظام البيئي التكاملي الأوسع في السوق.
  • LlamaIndex: إذا كان قلب المشروع هو RAG أو الاستعلام عن البيانات المفهرسة بالفعل، مع وجود حاجة قوية لموصلات المصدر ونموذج فهرس/استعلام يتناسب مباشرة مع حالة الاستخدام.
  • CrewAI أو AutoGen بالإضافة إلى: بمجرد أن لا يعد وكيل واحد كافيًا ويجب توزيع العمل بين عدة أدوار متخصصة، فوق واحد أو آخر من إطاري البيانات.

يمكن أن يتواجد الاثنان أيضًا في نفس المشروع: يعد محرك الاستعلام LlamaIndex الذي يتم عرضه كأداة في وكيل LangGraph نمطًا شائعًا. إن الحفاظ على إطارين ينطوي على تكلفة تعقيد حقيقية، ويجب مقارنتها بالمكاسب قبل اعتمادها افتراضيًا.

#
الأسئلة المتداولة

الأسئلة الشائعة

هل يمكن لـ LangChain وLlamaIndex تعديل بيانات Postgres (إدراج، تحديث، حذف)؟+
نعم، بشكل افتراضي، إذا كان دور قاعدة البيانات المستخدم في سلسلة الاتصال لديه إذن كتابة. لا create_sql_agent على الجانب LangChain ولا NLSQLTableQueryEngine على الجانب LlamaIndex يقيد أصلاً الاستعلامات للقراءة فقط. تنشأ الحماية الحقيقية على مستوى Postgres: دور تطبيق مخصص مع منح تقتصر على SELECT. راجع أيضًا دليل تأمين NL2SQL ضد حقن SQL.
هل يجب عليك الاختيار بين LangChain و LlamaIndex أم يمكنك الجمع بينهما؟+
يمكن أن يتواجد الاثنان في نفس المشروع: يمكن عرض محرك استعلام LlamaIndex كأداة في وكيل LangGraph، والعكس ممكن أيضًا. يعد هذا خيارًا تقنيًا حقيقيًا، وليس توصية افتراضية: فالحفاظ على إطارين يضيف تبعية إضافية وسطح تكوين للتبرير.
هل يحل CrewAI أو AutoGen محل LangChain وLlamaIndex؟+
لا. يقوم CrewAI وAutoGen بتنسيق العديد من الوكلاء فيما بينهم (توزيع الأدوار، والحوار، وتفويض المهام) ولكن لا يوفران طبقة اتصال بيانات. في المشروع الذي يستعلم عن Postgres، يعتمدون على أداة SQL المبنية باستخدام LangChain أو LlamaIndex أو وظيفة Python محلية الصنع.
هل هناك تكامل رسمي Aurabase لـ LangChain أو LlamaIndex؟+
لا، حتى الآن. لا يوجد موصل معبأ على الجانب Aurabase لهذه الأطر. يتم الاتصال عبر سلسلة الاتصال Postgres القياسية التي يعرضها كل مشروع، باستخدام برنامج تشغيل SQL عام (SQLAlchemy)، تمامًا كما هو الحال مع أي Postgres مُدار.

هل أنت جاهز للنشر؟

الواجهة الخلفية الخاصة بك في خمس دقائق.

لا حاجة لبطاقة ائتمان · 500 ميجابايت مجانًا · 50000 MAU