Haystack

deepset 开源的 AI 编排框架：用可复用组件拼 Pipeline，构建生产级 RAG、Agent 与多模态检索系统。

它是做什么的

Haystack 是面向 LLM 应用的开源编排框架。官方强调用 Components + Pipelines 从想法走到生产：每个组件负责特定步骤（检索、提示构建、生成、工具调用等），Pipeline 显式连接输入与输出，便于控制检索、路由、记忆与生成。适用自主 Agent、多模态应用与可扩展 RAG；可组合 OpenAI、Google、Anthropic 以及 Hugging Face Transformers 等技术。

除管道外，核心概念还包括 Document Stores、Agents、Tools 与大量集成。设计取向偏「透明、可实验、可深度定制」，适合把上下文工程做成可观测流水线，而不是黑盒链式调用。

语言生态：Python。
典型场景：RAG / 问答、语义搜索、工具调用 Agent、带评估与企业支撑选项的生产流水线。组件边界清晰，便于团队分工维护。

要点

• 显式数据流：add_component + connect，输入键清晰，便于排查「问题没传到 prompt」一类错误。
• 上下文工程友好：官方强调对检索、排序、过滤、组合与路由的显式控制，适合可审计系统。
• Agent 与工具：在管道之上支持 Agent / Tools，可从最小 RAG 平滑扩展到工具调用。
• 与 LangChain / LlamaIndex：同属 Python 应用层。Haystack 更突出管道式、可生产化的编排与控制；若团队偏好高层 Agent API，可对比 LangChain；若主攻数据索引抽象，可对比 LlamaIndex。

适合谁

• 需要可拆分、可追溯的 RAG / Agent 流水线
• Python 团队，重视教程到生产的路径（含 deepset 企业支持/平台选项）
• 希望组件可替换、便于做 A/B 与评估的工程化团队

官方入口

• 文档 · Introduction
• 快速开始
• 官网 / 教程
• GitHub

建议怎么用

按官方 Get Started：先搭「Retriever + ChatPromptBuilder + Generator」最小 RAG Pipeline，确认 run() 时 query / question 等输入键都传到位，再换成真实 Document Store 与嵌入检索。做 Agent 时从工具调用示例扩展，并保留管道可观测性。上线前补评估组件与日志，避免只凭人工抽查。教程与 Cookbook 适合作为第二步对照实现。