Vergleich von RAG-Frameworks

Wählen Sie das passende Retrieval-Augmented-Generation-(RAG)-Framework für Ihr Projekt auf Clore.ai GPU-Servern.

RAG (Retrieval-Augmented Generation) ermöglicht es LLMs, Fragen mithilfe Ihrer eigenen Dokumente zu beantworten. Dieser Leitfaden vergleicht die vier führenden Frameworks: LangChain, LlamaIndex, Haystack und RAGFlow — und behandelt Funktionen, Leistung und wann man welches verwendet.

---

Schnelle Entscheidungsübersicht

	LangChain	LlamaIndex	Haystack	RAGFlow
Am besten für	Allgemeine LLM-Anwendungen	Dokumenten-Fragen und -Antworten	Enterprise-Suche	Selbst gehostetes RAG
Lernkurve	Mittel	Niedrig-Mittel	Mittel-Hoch	Niedrig
Flexibilität	Sehr hoch	Hoch	Hoch	Mittel
Integrierte Benutzeroberfläche	Nein	Nein	Nein	Ja
GitHub-Stars	90.000+	35.000+	15K+	12K+
Sprache	Python	Python	Python	Python
Lizenz	MIT	MIT	Apache 2.0	Apache 2.0

---

Überblick

LangChain

LangChain ist das beliebteste Orchestrierungs-Framework für LLMs. Es bietet eine einheitliche Schnittstelle für Chains, Agents, Memory und RAG-Pipelines.

Philosophie: Alles ist eine Kette aus zusammensetzbaren Komponenten.

from langchain.chains import RetrievalQA
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.llms import OpenAI

# RAG-Pipeline in 5 Zeilen erstellen
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(docs, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
chain = RetrievalQA.from_chain_type(llm=OpenAI(), retriever=retriever)
result = chain.run("What is the capital of France?")

LlamaIndex

LlamaIndex (ehemals GPT Index) wurde speziell für Dokumentenindizierung und -abruf entwickelt. Es ist besonders gut darin, LLMs mit unterschiedlichen Datenquellen zu verbinden.

Philosophie: Erst indizieren, dann intelligent abfragen.

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader

# Dokumente laden und indizieren
documents = SimpleDirectoryReader("data/").load_data()
index = VectorStoreIndex.from_documents(documents)

# Abfrage
query_engine = index.as_query_engine()
response = query_engine.query("Fassen Sie die wichtigsten Erkenntnisse zusammen")
print(response)

Haystack

Haystack (von deepset) ist ein NLP-Framework für Unternehmen mit Schwerpunkt auf Such- und Q&A-Pipelines. Es verfügt über eine komponentenbasierte Architektur mit visuellem Pipeline-Builder.

Philosophie: Modulare Pipelines mit unternehmensweiter Zuverlässigkeit.

from haystack.nodes import DensePassageRetriever, FARMReader
from haystack.pipelines import ExtractiveQAPipeline

retriever = DensePassageRetriever(document_store=document_store)
reader = FARMReader(model_name_or_path="deepset/roberta-base-squad2")
pipeline = ExtractiveQAPipeline(reader, retriever)
result = pipeline.run(query="Was ist maschinelles Lernen?", params={"Retriever": {"top_k": 10}})

RAGFlow

RAGFlow ist eine Open-Source-RAG-Engine mit integrierter Web-UI, Dokumentenanalyse und Wissensdatenbankverwaltung. Sie ist darauf ausgelegt, als Komplettlösung bereitgestellt zu werden.

Philosophie: RAG-System sofort einsatzbereit, keine Programmierung erforderlich.

# RAGFlow wird über Docker Compose bereitgestellt
# Konfiguration über die Web-UI unter localhost:80
version: "3"
services:
  ragflow:
    image: infiniflow/ragflow:latest
    ports:
      - "80:80"
    volumes:
      - ./ragflow-data:/ragflow/data

---

Funktionsvergleich

Kernfunktionen von RAG

Funktion	LangChain	LlamaIndex	Haystack	RAGFlow
Unterstützung für Vektorspeicher	50+	30+	20+	Integriert
Dokumenten-Loader	100+	50+	30+	Integriert
Hybridsuche	✅	✅	✅	✅
Re-Ranking	✅	✅	✅	✅
Multimodal	✅	✅	Teilweise	✅
Streaming	✅	✅	✅	✅
Asynchrone Unterstützung	✅	✅	✅	✅
Agenten	✅	✅	✅	❌

Integrations-Ökosystem

Integrationstyp	LangChain	LlamaIndex	Haystack	RAGFlow
LLM-Anbieter	50+	30+	20+	10+
Vektor-Datenbanken	Chroma, Pinecone, Weaviate, Qdrant, 40+ weitere	Chroma, Pinecone, Weaviate, 25+ weitere	Weaviate, Elasticsearch, 15+ weitere	Integriertes InfiniFlow
Dokumenttypen	PDF, Web, CSV, JSON, 80+	PDF, Web, CSV, DB, 40+	PDF, TXT, HTML, 20+	PDF, Word, Excel, PPT, Web
Cloud-Speicher	S3, GCS, Azure	S3, GCS, Azure	S3, GCS	S3

Erweiterte RAG-Funktionen

Funktion	LangChain	LlamaIndex	Haystack	RAGFlow
Zerlegung von Abfragen	✅	✅	✅	✅
HyDE (Hypothetische Dokument-Embeddings)	✅	✅	❌	❌
Mehrstufige Abrufsuche	✅	✅	Teilweise	✅
Kontextuelle Komprimierung	✅	✅	✅	✅
Self-RAG	✅	✅	❌	❌
GraphRAG	✅	✅ (PropertyGraph)	❌	✅
Quellenverfolgung	Teilweise	✅	Teilweise	✅

---

Leistungsbenchmarks

Abrufgenauigkeit (RAG-Bench, 2024)

Die Benchmarks variieren je nach Datensatz und Konfiguration erheblich. Dies sind Näherungswerte aus Community-Benchmarks.

Framework	HotpotQA (F1)	Natural Questions (EM)	TriviaQA (Acc)
LangChain (RAG)	~68%	~42%	~72%
LlamaIndex (RAG)	~71%	~45%	~74%
Haystack (RAG)	~69%	~43%	~71%
RAGFlow (Standard)	~65%	~40%	~68%

Die Ergebnisse hängen stark vom gewählten LLM, Embedding-Modell und Chunk-Größe ab

Indexierungsgeschwindigkeit (10.000 Dokumente, je ~1 KB)

Framework	Nur CPU	GPU-Embeddings
LangChain	~120 Sek.	~18 Sek.
LlamaIndex	~110 Sek.	~15 Sek.
Haystack	~130 Sek.	~20 Sek.
RAGFlow	~150 Sek.	~25 Sek.

Mit einem Äquivalent zu text-embedding-ada-002 (1536 Dimensionen)

Abfragelatenz (P50/P99, mit vorab erstellt Index)

Framework	P50	P99	Hinweise
LangChain	450 ms	1.2s	Kein Re-Ranking
LlamaIndex	400 ms	1.0s	Kein Re-Ranking
Haystack	500 ms	1.5s	Mit Pipeline-Overhead
RAGFlow	600 ms	2,0 s	Beinhaltet UI-/API-Overhead

---

LangChain: Tiefenanalyse

Stärken

✅ Größtes Ökosystem — 50+ Integrationen, riesige Community ✅ Agenten und Tools — autonome KI-Agenten erstellen ✅ LangSmith — hervorragende Beobachtbarkeit und Fehlersuche ✅ LCEL — LangChain Expression Language zum Zusammensetzen von Chains ✅ Speichersysteme — Gesprächsverlauf, Entitätsspeicher

Schwächen

❌ Komplexität — kann für einfache Aufgaben überdimensioniert sein ❌ Häufige Breaking Changes — Migrationen von v0.1 zu v0.2 zu v0.3 ❌ Schwere Abhängigkeit — große Installationsgröße ❌ Abstraktionsleck — manchmal schwieriger zu debuggen

Beste Anwendungsfälle

• Mehrstufige LLM-Pipelines mit komplexer Logik

• KI-Agenten, die Tools nutzen (Websuche, Codeausführung, APIs)

• Anwendungen, die Gesprächsspeicher benötigen

• Projekte, die maximale Flexibilität benötigen

Beispiel: Erweiterte RAG mit Quellen

from langchain.chains import RetrievalQAWithSourcesChain
from langchain_community.vectorstores import Chroma
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# Einrichtung
llm = ChatOpenAI(model="gpt-4", temperature=0)
embeddings = OpenAIEmbeddings()

# Dokumente mit Metadaten indizieren
splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
chunks = splitter.split_documents(documents)

vectorstore = Chroma.from_documents(
    chunks, 
    embeddings,
    persist_directory="./chroma_db"
)

# Chain mit Quellenzuordnung erstellen
chain = RetrievalQAWithSourcesChain.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
    return_source_documents=True
)

result = chain({"question": "Was sind die wichtigsten Risiken?"})
print(result["answer"])
print("Quellen:", result["sources"])

---

LlamaIndex: Tiefenanalyse

Stärken

✅ Dokument-zuerst-Design — am besten für komplexe Dokumentenindizierung ✅ Indextypen — Vektor, Wissensgraph, SQL, Schlüsselwort ✅ Unterfragen-Engine — zerlegt komplexe Abfragen automatisch ✅ Strukturierte Ausgaben — Pydantic-Integration ✅ Router-Abfrage-Engine — leitet intelligent zum richtigen Index weiter

Schwächen

❌ Weniger auf Agenten fokussiert als LangChain ❌ Kleineres Ökosystem als LangChain ❌ Dokumentation kann uneinheitlich sein

Beste Anwendungsfälle

• Dokumenten-Q&A-Systeme (PDFs, Berichte, Wikis)

• Komplexes Schlussfolgern über mehrere Dokumente

• Aufbau von Wissensgraphen

• Daten-zu-LLM-Brücken (Datenbanken, APIs)

Beispiel: Mehrdokumenten-Abfrage-Engine

from llama_index.core import (
    VectorStoreIndex, 
    SimpleDirectoryReader,
    StorageContext,
    Settings
)
from llama_index.core.query_engine import RouterQueryEngine
from llama_index.core.tools import QueryEngineTool
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding

# Global konfigurieren
Settings.llm = OpenAI(model="gpt-4")
Settings.embed_model = OpenAIEmbedding()

# Separate Indizes für unterschiedliche Dokumentensammlungen erstellen
annual_reports = SimpleDirectoryReader("./annual_reports").load_data()
tech_docs = SimpleDirectoryReader("./tech_docs").load_data()

index_reports = VectorStoreIndex.from_documents(annual_reports)
index_tech = VectorStoreIndex.from_documents(tech_docs)

# Router erstellen, der den richtigen Index auswählt
tools = [
    QueryEngineTool.from_defaults(
        query_engine=index_reports.as_query_engine(),
        description="Jahresfinanzberichte und Geschäftskennzahlen"
    ),
    QueryEngineTool.from_defaults(
        query_engine=index_tech.as_query_engine(),
        description="Technische Dokumentation und API-Referenzen"
    )
]

router = RouterQueryEngine.from_defaults(query_engine_tools=tools)
response = router.query("Wie hoch war das Umsatzwachstum im letzten Jahr?")

---

Haystack: Tiefenanalyse

Stärken

✅ Für Unternehmen geeignet — produktionsreife Zuverlässigkeit ✅ Visueller Pipeline-Builder — Haystack Studio ✅ Annotationswerkzeug — integrierte Beschriftungsoberfläche ✅ Starkes NLP — extraktive QA, Zusammenfassung ✅ deepset Cloud — verwaltete Bereitstellungsoption

Schwächen

❌ Steilere Lernkurve als bei der Konkurrenz ❌ Kleinere Community als bei LangChain/LlamaIndex ❌ Weniger flexibel für neuartige Architekturen

Beste Anwendungsfälle

• Unternehmensdokumentensuche und Q&A

• Projekte, die Audit-Trails und Beobachtbarkeit benötigen

• Teams, die visuelles Pipeline-Design wünschen

• Produktionsbereitstellungen mit SLA-Anforderungen

Beispiel: Hybride Suchpipeline

from haystack import Pipeline
from haystack.components.retrievers import InMemoryBM25Retriever, InMemoryEmbeddingRetriever
from haystack.components.joiners import DocumentJoiner
from haystack.components.rankers import MetaFieldRanker
from haystack.components.generators import OpenAIGenerator
from haystack.components.builders import RAGPromptBuilder

# Hybride Suchpipeline erstellen
pipeline = Pipeline()
pipeline.add_component("bm25_retriever", InMemoryBM25Retriever(document_store=store, top_k=10))
pipeline.add_component("embedding_retriever", InMemoryEmbeddingRetriever(document_store=store, top_k=10))
pipeline.add_component("joiner", DocumentJoiner(join_mode="reciprocal_rank_fusion"))
pipeline.add_component("ranker", MetaFieldRanker(meta_field="score"))
pipeline.add_component("prompt_builder", RAGPromptBuilder())
pipeline.add_component("llm", OpenAIGenerator(model="gpt-4"))

# Komponenten verbinden
pipeline.connect("bm25_retriever", "joiner.documents")
pipeline.connect("embedding_retriever", "joiner.documents")
pipeline.connect("joiner", "ranker")
pipeline.connect("ranker", "prompt_builder.documents")
pipeline.connect("prompt_builder", "llm")

result = pipeline.run({"bm25_retriever": {"query": "deep learning"}, 
                       "embedding_retriever": {"query": "deep learning"}})

---

RAGFlow: Tiefenanalyse

Stärken

✅ Bereitstellung ohne Code — vollständige UI enthalten ✅ Erweitertes Dokumenten-Parsing — Tabellen, Bilder, Diagramme ✅ Wissensdatenbankverwaltung — visuelle Oberfläche ✅ API enthalten — REST-API direkt integriert ✅ Agentisches RAG — integrierte Agenten

Schwächen

❌ Weniger anpassbar als code-first-Frameworks ❌ Hoher Ressourcenbedarf (Elasticsearch + Infinity DB) ❌ Eingeschränkte LLM-Unterstützung im Vergleich zu LangChain ❌ Neueres Projekt — kleinere Community

Beste Anwendungsfälle

• Nicht-Entwickler, die RAG ohne Programmierung benötigen

• Teams, die ein vollständiges Wissensdatenbank-Produkt möchten

• Interne Unternehmens-Wikis und Dokumentensuche

• Schnelles Prototyping von RAG-Anwendungen

Bereitstellung auf Clore.ai

# docker-compose.yml für RAGFlow
version: "3"
services:
  ragflow:
    image: infiniflow/ragflow:v0.12.0
    container_name: ragflow
    ports:
      - "80:80"
      - "443:443"
    volumes:
      - ./ragflow-logs:/ragflow/logs
      - ./ragflow-data:/ragflow/data
    depends_on:
      - elasticsearch
      - infinity

  elasticsearch:
    image: elasticsearch:8.11.3
    environment:
      - discovery.type=single-node
      - ES_JAVA_OPTS=-Xms1g -Xmx1g
      - xpack.security.enabled=false
    volumes:
      - es_data:/usr/share/elasticsearch/data

  infinity:
    image: infiniflow/infinity:v0.3.0
    volumes:
      - infinity_data:/var/infinity

volumes:
  es_data:
  infinity_data:

docker compose up -d
# Web-UI unter http://<server-ip>:80 aufrufen

---

Wann welches Modell verwenden

Wählen Sie LangChain, wenn:

• Sie KI-Agenten mit Tools erstellen (Websuche, Codeausführung, APIs)

• maximale Flexibilität des Ökosystems benötigt wird

• komplexe mehrstufige Pipelines erstellt werden

• mit vielen verschiedenen LLMs und Datenquellen integriert werden soll

• das Team mit Python vertraut ist

Wählen Sie LlamaIndex, wenn:

• der Hauptanwendungsfall Dokumenten-Q&A ist

• mit komplexen Dokumentenstrukturen (Tabellen, verschachtelte Inhalte) gearbeitet wird

• Wissensgraphen oder Multi-Index-Routing benötigt werden

• erstklassige Dokumentenaufnahme möchten

• Auf strukturierten Daten aufbauen (Datenbanken, APIs)

Wähle Haystack, wenn:

• Unternehmensumgebung mit Compliance-Anforderungen

• Benötigen visuelle Tools zum Erstellen von Pipelines

• Auf Elasticsearch aufbauen

• Extraktive (nicht nur generative) QA wünschen

• Das Team benötigt Observability für NLP-Pipelines

Wähle RAGFlow, wenn:

• Ein nicht-technisches Team benötigt Self-Service-RAG

• Ein fertiges Produkt statt eines Frameworks wünschen

• Schnelle Bereitstellung hat Vorrang vor Anpassbarkeit

• Eine interne Wissensdatenbank aufbauen

• Möchten keinen Python-Code schreiben

---

Ausführung auf Clore.ai: Ressourcenanforderungen

Framework	Min. RAM	Min. VRAM	Empfohlene GPU
LangChain	8 GB	8 GB (lokales LLM)	RTX 3080
LlamaIndex	8 GB	8 GB (lokales LLM)	RTX 3080
Haystack	16 GB	8 GB (lokales LLM)	RTX 3090
RAGFlow	32 GB (RAM!)	16 GB	A6000 / A100

RAGFlow benötigt mehr RAM: Es führt Elasticsearch + InfinityDB + die Anwendung selbst aus. Plane mindestens 32 GB Systemspeicher ein. Haystack mit Elasticsearch profitiert ebenfalls von 16 GB+ RAM.

---

Nützliche Links

• LangChain-Dokumentation

• LlamaIndex-Dokumentation

• Haystack-Dokumentation

• RAGFlow-GitHub

• RAG-Umfragepapier (arXiv)

---

Zusammenfassende Empfehlung

Einfache Dokumenten-Q&A          → LlamaIndex
Komplexe KI-Agenten            → LangChain
Enterprise-Suche            → Haystack
No-Code-RAG-Produkt          → RAGFlow
Maximale Flexibilität          → LangChain
Bestes Dokumentenverständnis  → LlamaIndex

Alle vier Frameworks sind ausgezeichnete Optionen — die richtige hängt von deinen spezifischen Anforderungen, den Fähigkeiten des Teams und den Bereitstellungsbeschränkungen ab. Im Zweifel beginne mit LlamaIndex für dokumentenlastige Anwendungsfälle oder LangChain wenn du das größtmögliche Ökosystem benötigst.

---

GPU-Empfehlungen für Clore.ai

Anwendungsfall	Empfohlene GPU	Geschätzte Kosten bei Clore.ai
Entwicklung/Testen	RTX 3090 (24 GB)	0,07–0,21 $/GPU/Stunde
Produktion	RTX 4090 (24 GB)	0,14–0,42 $/GPU/Stunde
Großflächig	A100 80GB	Bare Metal

💡 Alle Beispiele in diesem Leitfaden können bereitgestellt werden auf Clore.ai GPU-Servern. Durchsuchen Sie verfügbare GPUs und mieten Sie stundenweise — keine Verpflichtungen, voller Root-Zugriff.