两类方案怎么分
RAG 工具分两类：代码级框架 LangChain、LlamaIndex 提供组件与编排抽象，适合需要深度定制的团队；低代码平台 Dify、RAGFlow、FastGPT 提供可视化知识库与工作流，交付快但可控性取决于平台开放程度。选择的关键是团队工程能力、对解析与检索参数的控制需求、以及数据能否自由导出。
基本信息
| 代码级 | LangChain、LlamaIndex、Haystack 等库 |
|---|
| 平台级 | Dify、RAGFlow、FastGPT 等可私有部署的知识库平台 |
|---|
| 选型变量 | 工程能力、定制深度、交付周期、数据迁移成本 |
|---|
| 共同前提 | 解析、切分、检索参数仍需按自有语料调优 |
|---|
方案对比
| 方案 | 形态 | 侧重 |
|---|
| LangChain | Python / JS 库 | 组件丰富、生态广，抽象层多，需按需裁剪 |
| LlamaIndex | Python 库 | 数据连接与索引抽象清晰，适合文档问答 |
| Dify | 低代码平台 | 可视化编排 + 知识库 + 应用发布 |
| RAGFlow | 低代码平台 | 强调深度文档解析与可视化引用 |
| FastGPT | 低代码平台 | 知识库问答 + 工作流编排 |
选型关注点
- 解析能力：是否支持你的真实文档类型，尤其是双栏 PDF 与扫描件
- 可干预程度：切分参数、检索参数、重排模型能否替换
- 数据主权：能否私有部署，向量与原文存在哪里，能否整体导出
- 评测配套：平台是否提供评测集管理与指标看板，还是必须自己接
- 运维成本：组件越多，升级与排障的投入越大
自建与平台取舍
| 需求 | 更适合 | 说明 |
|---|
| 两周内出可用问答 | 平台 | 可视化配置即可跑通，省去编排开发 |
| 需要替换重排与切分策略 | 代码 | 平台通常只开放部分参数 |
| 需与内部权限体系打通 | 代码或支持 SSO 的平台 | 过滤条件要能写进检索语句 |
| 文档解析是最大痛点 | 解析能力强的平台 | 自研解析成本高，优先复用成熟方案 |
低代码平台省去编排工作，但排查问题时的可观测性通常弱于自建；选平台前先用真实文档跑一轮解析与检索验收集。
