数据采集日期：2026 年 5 月 26 日。所有量化数据来自 GitHub REST API 实时采集，社区评价来自 GitHub Issues、Reddit、HackerNews、知乎等 8+ 独立信源的交叉验证。

一、为什么 RAG 赛道值得重新审视

2023 年，RAG（检索增强生成）还是 LLM 应用的"标配架构"，几乎每个 AI 项目的技术选型讨论都从"用 LangChain 还是 LlamaIndex"开始。到了 2026 年，局面已经截然不同——框架之间开始分化，“去框架化"的声音越来越响，LlamaIndex 创始人 Jerry Liu 公开承认"框架时代正在结束”。

这不是说 RAG 本身不重要了。恰恰相反，几乎所有企业级 AI 落地场景都绕不开它——客服知识库、合同审查、技术文档检索、合规问答，每个场景背后都需要"让 LLM 基于你的私有数据回答问题"的能力。真正变化的是选择变得困难了：GitHub 上叫得出名字的 RAG 相关项目就有几十个，每个都宣称自己是"最佳实践"。选错一个框架的代价不只是技术债——团队时间、项目窗口期、甚至是领导层对 AI 战略的信任，都是沉没成本。

我们做了一件事：用数据说话。采集了 15 个主流 RAG 相关项目的实时 GitHub 数据，加上对 LangChain、LlamaIndex、Dify、RAGFlow、Haystack、LightRAG 六个核心项目在 Reddit、HN、知乎、GitHub Issues 等多源的社区口碑交叉验证，形成这份面向技术决策者的全景扫描报告。

二、15 个项目，六个赛道：一张全景图

先看全貌。这 15 个项目并非都在做同一件事，它们可以归入六个差异明显的赛道：

一个反直觉的发现：Stars 最高的不是 RAG 框架，而是端到端平台 Dify（129.4K Stars），比排名第二的 LangChain（122.7K）还多出近 7000 颗星。这背后反映的趋势是越来越多的团队不想自己拼积木了——从数据解析、向量化、检索、到 Prompt 编排和前端交付，他们想要一个完整的、可视化的解决方案。