当今构建RAG管道有两种主流方式。你可以编写Python脚本——通常使用LangChain、LlamaIndex或Haystack——或者使用拖放式RAG管道构建器,将每个步骤表示为画布上的可视化节点。
两种方法都能产生可用的RAG系统。但它们从根本上优化不同的目标,选择错误会造成随时间不断累积的摩擦。本文详细分析每种方法的适用场景,而不假 装某一种普遍更优。
每种方法的含义
Python脚本是代码优先的。你用Python编写检索链,定义分块策略,连接向量存储,配置LLM调用,并处理错误情况——全部通过代码完成。LangChain和LlamaIndex等框架提供了抽象,但管道存在于通过Git管理的.py文件中。
节点图构建器(有时称为RAG节点图构建器或可视化管道工具)将管道的每个步骤表示为画布上可拖拽的节点。你用边连接节点来定义数据流:文档加载器馈入分块器,分块器馈入嵌入器,嵌入器馈入向量存储,向量存储馈入检索器,检索器馈入LLM。管道就是图表。
Ertas Canvas是LangChain的可视化替代方案之一,但该模式具有普遍适用性。问题不在于哪个工具——而在于哪种范式。
Python脚本的优势场景
自定义逻辑和研究原型
如果你的RAG管道需要非标准的检索逻辑——自定义重排序算法、多跳推理链、动态查询分解——Python给你完全的控制权。你不受节点目录中现有节点的限制。你编写问题需要的任何逻辑。
对于探索新颖架构的ML研究人员和AI工程师来说,代码是天然的媒介。你用函数和数据结构思考,而不是用方框和箭头。将这种工作流强制放入可视化画布只会增加摩擦而不增加价值。
一 次性实验
当你运行一个快速实验来测试某种分块策略是否能提高检索准确率时,打开一个Jupyter notebook比配置可视化管道更快。你写二十行Python,检查结果,然后继续。可视化工具的开销对于一次性工作不值得。
深度框架集成
如果你的团队已经围绕LangChain或LlamaIndex构建了大量基础设施——自定义检索器、专用输出解析器、评估工具——留在该生态系统可以避免迁移成本。切换到可视化工具意味着要么将这些组件重建为自定义节点,要么并行维护两个系统。
极端情况的最大灵活性
某些RAG架构并不能整齐地适配有向无环图。基于查询分类的条件分支、动态深度的递归检索,或在流程中途调用外部API的管道——这些模式在代码中很直接,但在基于节点的工具中可能需要变通方案。
可视化节点图的优势场景
团队协作和入职
节点图以Python代码无法做到的方式进行自我记录。当新团队成员加入时,他们可以查看管道画布并在几分钟内理解数据流。而面对Python代码库,他们需要跟踪函数调用、理解类层次结构,以及阅读可能已过时的文档。
这在企业团队中尤为重要,因为构建管道的人并不总是维护管道的人。拖放式RAG管道降低了关键人物风险。

