Haystack教程：26.6k星AI编排框架，构建生产级RAG与Agent管道

📌 项目：deepset-ai/haystack | 星数：26.6k（2026-09-25） | 协议：Apache-2.0 | 语言：Python | GitHub

一句话定位："组件化AI编排框架——像搭积木一样构建RAG管道和Agent工作流，生产就绪。" Haystack用组件化设计让AI应用开发变成积木式拼装：检索器+生成器+管道=一个完整的RAG应用，每一步可替换、可调试、可监控。

🧩 组件化管道设计

Haystack的核心是组件+管道：

from haystack import Pipeline
from haystack.components.retrievers import InMemoryEmbeddingRetriever
from haystack.components.generators import OpenAIGenerator
from haystack.components.builders import PromptBuilder

# 构建RAG管道
pipe = Pipeline()
pipe.add_component("retriever", InMemoryEmbeddingRetriever(...))
pipe.add_component("prompt", PromptBuilder(template=TEMPLATE))
pipe.add_component("generator", OpenAIGenerator())

pipe.connect("retriever.documents", "prompt.documents")
pipe.connect("prompt.prompt", "generator.prompt")

# 运行
result = pipe.run({"retriever": {"query": "什么是RAG？"}})

每个组件职责单一，可独立测试和替换。和 OpenResearch 端到端不同，Haystack强调组件组合的灵活性。

🚀 快速开始

pip install haystack-ai

from haystack import Pipeline, Document
from haystack.components.embedders import SentenceTransformersTextEmbedder
from haystack.components.writers import DocumentWriter

# 索引文档
pipe = Pipeline()
pipe.add_component("embedder", SentenceTransformersTextEmbedder())
pipe.add_component("writer", DocumentWriter(document_store))
pipe.connect("embedder.embedding", "writer.embedding")

# 写入文档
docs = [Document(content="RAG是检索增强生成...")]
pipe.run({"embedder": {"text": docs[0].content}})

🔧 生产级特性

• 可视化调试：Haystack 2.x支持管道可视化，每步输入输出可检查
• HuggingFace集成：深度集成transformers模型，本地运行embedding和生成
• 多后端检索：支持Elasticsearch、Qdrant、Weaviate、Chroma等向量库
• 评估工具：内置RAG评估指标（faithfulness、answer relevance等）
• Agent支持：基于TransformersAgent构建多步推理管道

⚖️ 优缺点