當今建構RAG管道有兩種主流方式。你可以撰寫Python腳本——通常使用LangChain、LlamaIndex或Haystack——或者使用拖放式RAG管道建構器,將每個步驟表示為畫布上的視覺化節點。
兩種方法都能產生可用的RAG系統。但它們從根本上最佳化不同的目標,選擇錯誤會造成隨時間不斷累積的摩擦。本文詳細分析每種方法的適用場景,而不 假裝某一種普遍更優。
每種方法的含義
Python腳本是程式碼優先的。你用Python撰寫檢索鏈,定義分塊策略,連接向量儲存,設定LLM呼叫,並處理錯誤情況——全部透過程式碼完成。LangChain和LlamaIndex等框架提供了抽象,但管道存在於透過Git管理的.py檔案中。
節點圖建構器(有時稱為RAG節點圖建構器或視覺化管道工具)將管道的每個步驟表示為畫布上可拖曳的節點。你用邊連接節點來定義資料流:文件載入器饋入分塊器,分塊器饋入嵌入器,嵌入器饋入向量儲存,向量儲存饋入檢索器,檢索器饋入LLM。管道就是圖表。
Ertas Canvas是LangChain的視覺化替代方案之一,但該模式具有普遍適用性。問題不在於哪個工具——而在於哪種範式。
Python腳本的優勢場景
自訂邏輯和研究原型
如果你的RAG管道需要非標準的檢索邏輯——自訂重排序演算法、多跳推理鏈、動態查詢分解——Python給你完全的控制權。你不受節點目錄中現有節點的限制。你撰寫問題需要的任何邏輯。
對於探索新穎架構的ML研究人員和AI工程師來說,程式碼是天然的媒介。你用函式和資料結構思考,而不是用方框和箭頭。將這種工作流強制放入視覺化畫布只會增加摩擦而不增加價值。

