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 |
低代码平台省去编排工作，但解析、切分、检索参数的可控性取决于平台开放程度；复杂定制需求优先代码方案。
本包目录（229 条）
架构与流程30 条
- RAG 检索增强生成总览
- RAG 在线检索链路
- RAG 离线索引链路
- 向量检索与关键词检索的取舍
- LangChain 快速搭建 RAG 链
- RAG 开发框架与平台选型
- LlamaIndex 快速搭建索引与查询引擎
- 查询改写提升检索命中
- RAG 元数据字段设计
- RAG 与微调的选型对比
- 上下文组装与 Token 预算
- RAG 场景的提示注入防护
- RAG 链路逐段调试方法
- Naive / Advanced / Modular RAG 三种范式
- Multi-Query 多路召回合并
- 多租户与权限过滤
- HyDE 假设文档嵌入检索
- 增量索引与文档更新
- 查询分解与多跳检索
- RAG 可观测性与日志追踪
- Agentic RAG 与自适应检索
- 长上下文与 RAG 的配合
- 查询路由分流不同处理链
- 语义缓存降低重复问答开销
- 在线链路延迟预算拆分
- 多轮对话的检索指代消解
- RAG 成本构成与估算方法
- GraphRAG 图谱增强检索
- 低代码 RAG 平台的落地要点
- 文档版本管理与索引重建
RAG 开发框架与平台选型
LangChain、LlamaIndex 提供代码级编排能力，Dify、RAGFlow、FastGPT 等平台提供可视化知识库与工作流；按团队工程能力、可控性与交付速度取舍。
易错点
- 完全使用框架默认参数上生产，未按中文语料调整切分与检索参数
- 平台方案未评估数据导出与迁移成本，后期迁移受限
数据来源与参考
- LangChain 官方文档（python.langchain.com）
- LlamaIndex 官方文档（docs.llamaindex.ai）
- Dify 官方文档（docs.dify.ai）
- RAGFlow 官方文档（ragflow.io）