LlamaIndex 是我们用于构建智能体与检索增强生成（RAG）的开源 Python 工具箱。它内置的 reader 处理干净文本很好；而对扫描件 PDF、表单、电子表格与幻灯片，请先跑一个 Parse 任务再把结果交给框架 —— 进了索引的东西质量如何，决定了它给出的每个答案的质量。

两个产品用同一个 API key。在环境里设好 LLAMA_CLOUD_API_KEY，然后安装这两个包：

终端窗口

pip install llama-index "llama-cloud>=2.8"
export LLAMA_CLOUD_API_KEY=llx-...

用 Parse 输出构建索引

先把美国财政部 FY2024 财报的执行摘要下载为 data/report.pdf：

终端窗口

curl -fL --create-dirs -o data/report.pdf https://fiscal.treasury.gov/system/files/files/reports-statements/financial-report/2024/executive-summary-2024.pdf

parsing.parse() 会上传文件、等任务结束并返回结果。带上 expand=["markdown"] 时，结果会为每页携带一段 Markdown 字符串。把每页包成框架的 Document，之后与处理任何文本一样建索引：

from llama_cloud import LlamaCloud
from llama_index.core import Document, VectorStoreIndex

client = LlamaCloud()  # reads LLAMA_CLOUD_API_KEY

file = client.files.create(file="data/report.pdf", purpose="parse")
result = client.parsing.parse(
    file_id=file.id, tier="agentic", version="latest", expand=["markdown"]
)
pages = result.markdown.pages
documents = [
    Document(text=p.markdown, metadata={"page": p.page_number})
    for p in pages
    if p.success
]

index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("What does this document say about pricing?")
print(response)

解析失败的页会以 success 为 False、且不带 Markdown 的形式返回，这就是那段推导式要按它过滤的原因。把页号留在 metadata 里，检索结果就能指回它来自哪一页。

同样的写法适用于一个目录里的多个文件：每个文件跑一个 Parse 任务，收集这些文档，再建一个索引。集合更大时，Index 会让索引与数据源保持同步并通过 API 提供检索，本地无需重建任何东西。

在智能体里使用 Extract 输出

Extract 按你的 schema 返回 JSON。框架的智能体可以把它当工具调用，于是由智能体自己决定何时从文档里取出结构化数据：

from llama_cloud import LlamaCloud
from llama_index.core.agent.workflow import FunctionAgent
from llama_index.llms.openai import OpenAI

client = LlamaCloud()

def extract_invoice(path: str) -> dict:
    """Extract vendor, invoice number, date and total from an invoice file."""
    file = client.files.create(file=path, purpose="extract")
    job = client.extract.run(  # creates the job and waits for it to finish
        file_input=file.id,
        configuration={
            "data_schema": {
                "type": "object",
                "properties": {
                    "vendor": {"type": "string"},
                    "invoice_number": {"type": "string"},
                    "date": {"type": "string"},
                    "total": {"type": "number"},
                },
            }
        },
    )
    return job.extract_result

agent = FunctionAgent(
    tools=[extract_invoice],
    llm=OpenAI(model="gpt-4.1-mini"),
    system_prompt="You answer questions about invoices by extracting their fields.",
)

schema 选项见Extract 快速上手，智能体那一侧见构建智能体。

该在哪里跑解析

需求	该用什么
干净的文本文件、Markdown、HTML	框架内置的 reader
本地解析、不要 API key	LiteParse，开源解析器
扫描件、表格、图表、表单、130+ 格式	Parse，如上所述
从文档里取结构化字段	Extract，如上所述
一个与数据源保持同步的托管索引	Index

另请参阅

• Parse 快速上手
• 框架入门教程
• LlamaIndex 概览