大厂 RAG 架构与取舍。

文件先进入托管向量存储，由平台完成解析、切分、嵌入和索引。应用通过 Assistants 或 Responses 调用 file search 工具，模型在生成前读取相关片段并返回引用。适合把客服知识库、产品文档和内部手册快速接入对话式应用。团队主要配置文件生命周期、权限边界、提示词和工具策略，而不是自己维护 ANN 索引。

Claude 常用于证据优先的企业 RAG：检索系统先取回政策、合同或知识片段，再把证据放在问题之前，要求模型只基于证据回答。长上下文能力让它能处理较长政策包或多文档对比，但高质量系统仍需要外部检索、过滤和重排序。工具调用用于连接实时系统，生成层负责解释和合成。企业通常把 Claude 放在已有搜索平台、权限系统和审计系统之后。

Meta 生态的典型方案以 FAISS 为向量索引核心，外接解析、嵌入、元数据过滤和 LLM 服务。团队可以选择 Flat、HNSW、IVF-PQ 等索引，在召回率、内存和延迟之间细调。它适合有平台工程能力、需要高吞吐或私有化控制的组织。生成层可以使用开源模型或商业模型，RAG 编排由应用侧实现。

LlamaIndex 以数据连接和索引抽象为中心，把文档加载成节点，再附加元数据、索引和查询引擎。它提供句子窗口、父子节点、路由检索、子问题查询和评估器，便于快速组合复杂 RAG。生产中常把 LlamaIndex 作为应用编排层，底层连接向量库、对象存储、模型网关和追踪系统。它适合把多种数据源组织成可查询知识层。

LangChain 把加载器、切分器、向量库、检索器、提示词、模型和工具编排成可组合链路。LCEL 适合声明式串联 RAG 流程，LangGraph 适合带状态、分支和循环的代理式检索。LangSmith 提供 tracing、数据集评测和线上样本回放。生产团队常把它作为编排与观测层，底层仍使用独立向量库和模型网关。

千帆方案面向中文企业知识库，通常从 Office、PDF、网页和业务文档解析开始，建立带权限的知识库。检索层针对中文术语、业务编号和混合语料做优化，生成层使用文心系列模型输出带来源的答案。平台能力覆盖模型、知识库、应用发布和监控。它适合已有百度云或本地合规要求较强的中文组织。

通义百炼类知识应用把文档智能解析、知识库检索、工作流路由和通义模型生成组合在一起。开发者可以配置知识库、提示词、插件和业务流程，用于客服、销售支持和内部运营。阿里云生态让它容易连接存储、日志、网关和企业应用。架构上更偏平台化交付，适合在云上快速搭建多应用。

Coze 类方案以机器人和工作流为入口，把知识库检索节点、工具节点和多轮对话节点串起来。产品经理或运营可以低代码配置意图路由、知识引用和渠道发布，快速做面向用户的助手。检索细节相对托管，应用层更关注流程和体验。它适合轻量业务自动化、营销问答和多渠道机器人。

Dify 提供开源可部署的 LLM 应用平台，知识库、工作流、提示词、模型接入和应用发布都在同一控制台中。数据集被切分和索引后可绑定到聊天应用或流程节点，开发者能看到检索设置和调用日志。它适合希望自托管又不想从零开发应用控制台的团队。生产部署时通常搭配独立数据库、向量库、对象存储和网关。

FastGPT 面向中文知识库问答和工作流应用，提供数据集、检索配置、流程编排和发布能力。团队可以上传文档、配置分段与检索方式，再把知识库接入聊天窗口或 API。它在中文社区实践较多，适合中小企业和团队快速搭建内部助手。复杂场景可通过工作流节点连接外部接口和业务逻辑。