Framework RAG Terbaik 2026: LangChain vs LlamaIndex vs Haystack (dan Kapan Kamu Tidak Butuh Satu Pun)

Framework RAG Terbaik 2026: LangChain vs LlamaIndex vs Haystack (dan Kapan Kamu Tidak Butuh Satu Pun)

LangGraph 1.0 merilis versi stabil pertamanya di akhir 2025, dan LangChain mencapai 143.060 bintang GitHub pada Juli 2026. Dua fakta itu membingkai keputusan yang sedang kamu buat. Framework RAG terbaik di 2026 bergantung pada satu pertanyaan: apakah kamu benar-benar membutuhkannya? Untuk aplikasi Q&A satu korpus pada satu provider, SDK provider plus klien vektor sudah cukup. Untuk ingestion multi-sumber atau retrieval agentik, pilih LangChain/LangGraph atau LlamaIndex.

Poin Penting

• Pilihan default: LangChain 1.0 + LangGraph untuk aplikasi produksi yang butuh orkestrasi multi-langkah.
• Satu korpus, satu provider? Skip framework-nya. SDK provider + klien vektor lebih cepat rilis.
• Overhead framework di bawah 10% dari total latensi RAG. Strategi retrieval lebih penting.
• Cek pushed_at, bukan bintang. Repo yang hidup mengalahkan repo berbintang yang mati, setiap saat.

Semua framework RAG di 2026, dibandingkan

Delapan framework orkestrasi dan satu opsi tanpa framework, dinilai berdasarkan apa yang sebenarnya dicek seorang engineering lead sebelum berkomitmen. Tabel ini hanya mencakup lapisan orkestrasi. Untuk stack RAG lengkap, termasuk vector database dan reranker, itu keputusan terpisah.

Terakhir diverifikasi: 2026-07-31

Vonis di atas adalah titik awal, bukan jawaban akhir. Bagian berikutnya memberi tahu apakah kamu butuh salah satunya sama sekali. Jika ya, perbandingan kode di H2 #3 menunjukkan seperti apa sebenarnya bekerja di masing-masing framework.

Apakah kamu benar-benar butuh framework RAG di 2026?

Mungkin tidak. Framework retrieval-augmented generation (RAG) layak dipakai ketika pipeline kamu punya kompleksitas orkestrasi yang nyata. Untuk aplikasi tanya-jawab sederhana pada satu korpus, satu provider LLM, dan strategi chunking standar, SDK provider plus klien vektor benar-benar cukup. Kamu akan rilis dalam hitungan hari, bukan minggu.

Tiga cabang, dinyatakan secara gamblang:

Cabang 1: Satu korpus, satu provider, Q&A sederhana. Gunakan SDK provider langsung. Endpoint embedding OpenAI plus Qdrant, Chroma, atau pgvector sebagai vector store memberi kamu pipeline yang bekerja dalam di bawah 50 baris. Tanpa pajak abstraksi. Tanpa upgrade framework yang harus dilacak. Jika kamu butuh konsep pipeline-nya sebelum memilih, bangun pipeline RAG dari awal sampai akhir dulu.

Cabang 2: Ingestion multi-sumber, puluhan format dokumen, sakit di parsing. Framework layak dipakai di sini. Reader LlamaIndex menangani 160+ format file. Converter Haystack dan parsing PDF mendalam RAGFlow menghemat berminggu-minggu kode loader kustom. Overhead orkestrasinya nyata tapi kecil dibanding pekerjaan ingestion.

Cabang 3: Retrieval agentik, multi-langkah. Gunakan framework atau kamu akan membangun ulang LangGraph dengan buruk dan tanpa tes. Routing kondisional, checkpoint human-in-the-loop, dan retrieval multi-turn bernegara adalah persis untuk apa LangGraph 1.0 dibangun.

Counter-narrative itu nyata dan terdokumentasi. Octomind menjalankan LangChain di produksi selama lebih dari 12 bulan dari awal 2023, lalu menghapusnya di 2024. Alasan mereka: abstraksi membuat perubahan level rendah jadi sulit atau mustahil, dan blok bangunan modular menyederhanakan codebase. Diskusi Hacker News menarik ratusan komentar dari engineer dengan cerita serupa.

Yang berubah di sisi vendor: SDK provider menyerap banyak hal yang dulu diabstraksi framework. Native tool use, streaming tool calls, dan prompt caching kini kelas satu di SDK OpenAI dan Anthropic. Celah abstraksi yang membenarkan framework di 2023 menyempit cukup banyak pada 2026.

Kebanyakan tim melebih-lebihkan kompleksitas orkestrasi yang akan mereka hadapi dan meremehkan biaya framework yang tidak mereka butuhkan.

Pipeline RAG yang sama, ditulis empat cara

Cara tercepat menilai framework adalah membaca tugas yang sama yang ditulis di dalamnya. Di bawah: ingest dua dokumen, indeks, jawab pertanyaan. Input sama, bentuk output sama. Empat implementasi.

LangChain (18 baris):

from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import InMemoryVectorStore
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

docs = TextLoader("docs/guide.txt").load() + TextLoader("docs/faq.txt").load()
vectorstore = InMemoryVectorStore.from_documents(docs, OpenAIEmbeddings())
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

prompt = ChatPromptTemplate.from_template(
    "Answer from context:\n{context}\n\nQuestion: {question}"
)
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-4o")
    | StrOutputParser()
)
print(chain.invoke("What is the return policy?"))

Observasi: 18 baris, mudah dibaca, tapi daftar import saja sudah memberi tahu permukaan dependensi yang kamu daftarkan.

LlamaIndex (12 baris):

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding

Settings.llm = OpenAI(model="gpt-4o")
Settings.embed_model = OpenAIEmbedding()

documents = SimpleDirectoryReader("docs/").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine(similarity_top_k=4)

print(query_engine.query("What is the return policy?"))

Observasi: 12 baris. Jalur terpendek dari folder ke jawaban. Model embedding mana yang kamu masukkan lebih penting daripada framework yang membungkusnya.

Haystack (16 baris):

from haystack import Pipeline
from haystack.components.converters import TextFileToDocument
from haystack.components.writers import DocumentWriter
from haystack.components.embedders import OpenAITextEmbedder, OpenAIDocumentEmbedder
from haystack.components.retrievers import InMemoryEmbeddingRetriever
from haystack.components.generators import OpenAIGenerator
from haystack.document_stores.in_memory import InMemoryDocumentStore

store = InMemoryDocumentStore()
indexing = Pipeline()
indexing.add_component("converter", TextFileToDocument())
indexing.add_component("embedder", OpenAIDocumentEmbedder())
indexing.add_component("writer", DocumentWriter(document_store=store))
indexing.connect("converter", "embedder")
indexing.connect("embedder", "writer")
indexing.run({"converter": {"sources": ["docs/guide.txt", "docs/faq.txt"]}})

query = Pipeline()
query.add_component("embedder", OpenAITextEmbedder())
query.add_component("retriever", InMemoryEmbeddingRetriever(document_store=store, top_k=4))
query.add_component("generator", OpenAIGenerator(model="gpt-4o"))
query.connect("embedder", "retriever")
query.connect("retriever", "generator")
print(query.run({"embedder": {"text": "What is the return policy?"}}))

Observasi: 16 baris tapi wiring paling eksplisit. Setiap koneksi terlihat. Verbose itu terbayar di 40+ komponen.

Tanpa framework (14 baris):

from openai import OpenAI
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = OpenAI()
qdrant = QdrantClient(url="http://localhost:6333")
qdrant.create_collection("docs", VectorParams(size=1536, distance=Distance.COSINE))

texts = [open("docs/guide.txt").read(), open("docs/faq.txt").read()]
embeddings = client.embeddings.create(input=texts, model="text-embedding-3-small")
points = [PointStruct(id=i, vector=e.embedding, payload={"text": t})
          for i, (e, t) in enumerate(zip(embeddings.data, texts))]
qdrant.upsert("docs", points)

query_emb = client.embeddings.create(input=["return policy"], model="text-embedding-3-small")
hits = qdrant.query_points("docs", query_emb.data[0].embedding, limit=4).points
context = "\n".join(h.payload["text"] for h in hits)
answer = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": f"Answer from context:\n{context}\n\nQuestion: What is the return policy?"}]
)
print(answer.choices[0].message.content)

Observasi: 14 baris, nol dependensi framework, vector database di bawahnya adalah satu-satunya pilihan infrastruktur. Paling sulit dikembangkan melewati 3 jenis dokumen.

8 framework RAG yang layak diketahui di 2026

Framework yang tepat adalah yang abstraksinya cocok dengan bottleneck kamu yang sebenarnya. Sakit parsing menunjuk ke LlamaIndex atau RAGFlow. Kompleksitas orkestrasi menunjuk ke LangGraph. Kepatuhan enterprise menunjuk ke Haystack atau Semantic Kernel. Inilah lapangan lengkapnya.

1. LangChain / LangGraph, terbaik untuk pipeline agentik multi-langkah

Ekosistem terbesar di bidang ini, kini stabil di bawah rilis LTS 1.0. LangChain 1.0 memperkenalkan create_agent dan sistem middleware; LangGraph 1.0 mencapai GA dengan state tahan lama dan checkpoint human-in-the-loop. Batas jujurnya: permukaan abstraksinya besar, dan tim yang hanya butuh retrieval sederhana membawa beban yang tidak akan pernah mereka pakai. LangGraph kurang dimanfaatkan oleh lapangan meski jadi opsi orkestrasi bernegara terkuat yang tersedia. Untuk sudut agent-loop khususnya, lihat bagaimana LangGraph dibanding CrewAI dan OpenAI Agents SDK.

Pilih ini jika kamu butuh routing kondisional, retrieval multi-turn, atau gerbang persetujuan human di produksi.

2. LlamaIndex, terbaik untuk ingestion berat dokumen

160+ konektor data, parsing out-of-box terkuat untuk PDF, tabel, dan dokumen terstruktur. Workflows 1.0 menambahkan lapisan event-driven ringan untuk pola agentik tanpa beban penuh LangGraph. Batasnya: jika bottleneck kamu orkestrasi bukan ingestion, abstraksi query engine LlamaIndex mulai melawan kamu. Port TypeScript tertinggal dari Python beberapa rilis.

Pilih ini jika korpus kamu berantakan (PDF hasil scan, tabel, format campuran) dan parsing adalah tempat kamu kehilangan waktu.

3. Haystack, terbaik untuk NLP enterprise dan tim EU

Berlisensi Apache-2.0, komponen pipeline ber-tipe, dan cerita kuat untuk industri teregulasi. Haystack 3.0 (rilis Juli 2026) merapikan API komponen lebih jauh. deepset menawarkan opsi cloud terkelola untuk tim yang tidak ingin self-host. Batasnya: komunitas lebih kecil dari LangChain atau LlamaIndex, integrasi pihak ketiga lebih sedikit, dan migrasi 1.x-ke-2.x adalah penulisan ulang hampir total yang membakar early adopter.

Pilih ini jika kamu di industri EU teregulasi dan butuh lisensi Apache-2.0 dengan pipeline ber-tipe yang bisa diaudit.

4. RAGFlow, terbaik untuk parsing dokumen mendalam gratis

Engine Apache-2.0 dari InfiniFlow yang melakukan parsing PDF berbasis template (tabel, gambar, rumus) lebih baik dari apa pun di lapangan open-source. 86.478 bintang dan rilis mingguan aktif. Batasnya: ini lebih berupa engine parsing-dan-retrieval daripada framework orkestrasi umum. Kamu tetap butuh yang lain untuk routing agentik atau failover multi-provider.

Pilih ini jika akurasi parsing dokumen adalah satu-satunya bottleneck terbesar kamu dan kamu menginginkannya gratis.

5. DSPy, terbaik untuk optimasi prompt skala besar

Framework Stanford memperlakukan prompt sebagai program yang kamu kompilasi, bukan string yang kamu tulis. Kamu mendefinisikan signature dan metrik; DSPy mengoptimasi prompt dan contoh few-shot secara otomatis. Batasnya: kurva belajarnya curam, abstraksinya akademis, dan pola deployment produksi masih terus matang. Versi 3.2.1 rilis Mei 2026.

Pilih ini jika kamu punya data evaluasi, ingin optimasi prompt sistematis, dan punya kesabaran untuk tool kelas riset.

6. Dify, terbaik untuk prototipe no-code

Visual builder yang menjalankan aplikasi RAG bekerja dalam satu sore. 150.858 bintang, proyek paling banyak dibintangi di daftar ini. Batasnya: ini platform, bukan library. Kamu menukar kontrol level kode dengan kecepatan. Logika retrieval kustom di luar editor visual jadi canggung dengan cepat. Lisensinya Apache-2.0 dimodifikasi dengan ketentuan komersial tambahan untuk deployment multi-tenant.

Pilih ini jika kamu butuh demo yang bekerja minggu ini dan logika retrieval kamu standar.

7. txtai, terbaik untuk aplikasi single-file ringan

Database embedding all-in-one, engine retrieval, dan pipeline LLM dalam satu paket Python. 12.769 bintang, Apache-2.0, dan benar-benar opsi paling ringan di sini. Batasnya: ini dirancang untuk beban kerja kecil-sedang. Scaling multi-node, routing kompleks, dan fitur enterprise bukan tujuannya.

Pilih ini jika kamu ingin jejak dependensi sekecil mungkin dan korpus kamu muat dalam satu proses.

8. Semantic Kernel, terbaik untuk .NET dan toko enterprise Microsoft

SDK Microsoft untuk mengintegrasikan LLM ke aplikasi C#, Python, dan Java. Integrasi Azure AI native, telemetri kelas enterprise, dan satu-satunya jawaban nyata untuk tim yang terkunci di stack Microsoft. Batasnya: di luar Azure, cerita integrasinya menipis. SDK Python tertinggal dari yang C# dalam kecepatan fitur.

Pilih ini jika tim kamu menulis C# atau Java dan infrastruktur kamu sudah Azure.

Pathway layak disebut sebagai opsi streaming-index untuk korpus yang terus diperbarui, tapi ini framework pemrosesan data bukan lapisan orkestrasi RAG, jadi tidak mendapat slot berperingkat.

Framework RAG mana yang masih aktif dipelihara?

Bintang memberi tahu apa yang dulu populer. Tanggal commit terakhir memberi tahu apa yang hidup. Setiap framework di bawah punya commit dalam 48 jam dari penulisan ini, yang lebih sehat dari kondisi lapangan 12 bulan lalu.

Diambil dari GitHub REST API pada 2026-07-31. Metode: GET /repos/{owner}/{repo} untuk bintang dan pushed_at, GET /repos/{owner}/{repo}/releases/latest untuk tag rilis.

Kolom pushed_at adalah yang tidak dicetak orang lain. Framework dengan 90K bintang dan tanpa commit dalam empat bulan adalah liabilitas, bukan aset. Kedelapan repo di sini aktif dipelihara saat penulisan ini. Jalankan ulang query-nya sendiri sebelum berkomitmen; angkanya bergerak mingguan.

Apakah framework RAG memengaruhi latensi?

Hampir tidak. Overhead framework adalah suku terkecil dalam total waktu respons kamu. Strategi retrieval dan generasi LLM mendominasi, dan tim yang memilih framework berdasarkan milidetik benchmark sedang mengoptimasi variabel yang salah.

Bukti terkuat datang dari studi scaling arXiv Juli 2026, BM25 Wins at Scale. Peneliti mengukur 28 tingkatan korpus bersarang di seluruh rentang skala 450x. Temuan mereka: BM25 menyalip pencarian agentik di sekitar 10 juta token korpus dan memimpin setiap tingkatan lebih besar, dengan margin mendekati 20 poin di skala penuh. Strategi retrieval, bukan plumbing orkestrasi, menentukan apakah jawaban kamu bagus.

Ini anggaran latensi turunan untuk satu respons RAG tipikal. Setiap nilai kecuali overhead orkestrasi datang dari sumber terpublikasi yang dimuat selama penulisan:

Asumsi: query pengguna tunggal, koneksi hangat, tanpa retry jaringan. Tahap generasi saja 86% dari total.

Lubang jujurnya: tidak ada yang mempublikasikan pengukuran reproduktif dari overhead framework. Satu angka yang beredar online (15-40 ms, diatribusikan ke situs konten di April 2026) ada di balik halaman yang mengembalikan HTTP 403 pada 2026-07-30 dan 2026-07-31, jadi kami tidak bisa mengutipnya. Bahkan dengan memberi 50 ms overhead orkestrasi yang murah hati, itu di bawah 4% dari total respons 1.395 ms.

Bacaan kami atas angka-angka itu: pilihan framework bukan keputusan latensi. Strategi retrieval dan generasi iya. Jika aplikasi RAG kamu terasa lambat, profil panggilan LLM dan langkah retrieval sebelum menyalahkan lapisan orkestrasi.

Yang tidak akan kami mulai untuk proyek baru di 2026

Tiga item, masing-masing didukung bukti yang bisa diobservasi bukan opini:

Haystack 1.x. Rilis 2.x deepset adalah penulisan ulang API hampir total, dan 3.0 rilis Juli 2026. Lini 1.x tidak lagi dikembangkan. Memulai darinya hari ini berarti mengadopsi API mati. Cek dokumentasi deepset sendiri untuk versi saat ini.

Pola chain LangChain 0.x. LangChain pra-1.0 tidak punya jaminan stabilitas. Kebijakan rilis kini menyatakan perubahan breaking hanya terjadi di versi mayor, dan 1.0 ditunjuk LTS. Kode yang ditulis terhadap pola LLMChain 0.x akan butuh migrasi. Mulai di 1.0.

Repo apa pun dengan pushed_at lebih tua dari enam bulan. Ini aturan umum bukan produk bernama. Tabel di atas menunjukkan kedelapan repo aktif. Jika framework yang kamu evaluasi tidak muncul di sana, cek commit terakhirnya sebelum kamu bergantung padanya.

Catatan tentang kategori: platform no-code seperti Dify adalah keputusan berbeda dari framework code-first. Kami tidak mendaftar mereka di sini sebagai item "skip". Mereka memecahkan masalah berbeda (kecepatan-ke-demo vs kemampuan dipelihara jangka panjang).

Bagaimana kamu memilih framework RAG?

Empat pertanyaan ortogonal. Jawab berurutan dan lapangan menyempit ke satu atau dua opsi dengan cepat.

Satu kriteria lagi yang tidak dihargai orang: biaya keluar. Kebijakan rilis LangChain berkomitmen perubahan breaking hanya di versi mayor, dengan 1.0 sebagai rilis LTS aktif sampai 2.0 dan kemudian setidaknya satu tahun dalam pemeliharaan. Itu jaminan reversibilitas konkret. Penulisan ulang 1.x-ke-2.x Haystack adalah contoh peringatan sebaliknya. Masukkan biaya migrasi ke seleksi, bukan hanya daftar fitur.

Bagaimana Techsy mendekati ini

Kami tidak menjual satu pun framework ini. Tiga dari empat halaman kompetitor yang bisa dibaca di SERP ini mendorong produk rumah di tengah rekomendasi. Kami tidak punya, jadi pilihan di atas tidak dibatasi oleh pendapatan.

Ketika tim Techsy memilih lapisan orkestrasi untuk pekerjaan klien, kami mulai dari pertanyaan bottleneck di atas, membuat prototipe versi tanpa framework dulu, dan menambahkan framework hanya ketika kode memberi tahu kami kompleksitasnya nyata. Kebanyakan proyek tetap di Cabang 1 lebih lama dari yang tim harapkan.

Jika kamu ingin opini kedua tentang stack kamu, dapatkan konsultasi gratis.

Tentang Penulis

Mert Batur adalah Co-Founder Techsy.io, di mana tim merilis AI agent, sistem otomasi, dan pipeline voice/SDR untuk klien B2B. Dia menulis tentang stack tooling LLM yang benar-benar dipakai tim Techsy di produksi.

Co-Founder, Techsy.io | LinkedIn

Pertanyaan yang Sering Diajukan

Apa itu framework RAG?

Framework RAG adalah library orkestrasi yang menangani plumbing antara dokumen kamu, vector store kamu, dan LLM kamu. Ia mengelola ingestion, chunking, embedding, retrieval, dan generasi sebagai pipeline terhubung. Tanpanya, kamu menyambungkan tahap-tahap itu secara manual menggunakan SDK provider dan klien vector database.

Apakah saya butuh framework RAG sama sekali?

Tidak selalu. Jika kamu punya satu korpus, satu provider LLM, dan Q&A sederhana, SDK provider plus klien vektor sudah cukup. Kamu butuh framework ketika menghadapi ingestion multi-sumber, puluhan format dokumen, atau retrieval multi-langkah agentik dengan routing kondisional dan state.

Apa framework RAG terbaik di 2026?

LangChain 1.0 dengan LangGraph adalah pilihan default untuk aplikasi produksi yang butuh orkestrasi. LlamaIndex menang untuk ingestion berat dokumen. Jika aplikasi kamu Q&A satu korpus pada satu provider, skip framework sepenuhnya dan gunakan SDK provider langsung.

Apakah LangChain atau LlamaIndex lebih baik untuk RAG?

LangChain lebih baik untuk kompleksitas orkestrasi: routing multi-langkah, agent, human-in-the-loop. LlamaIndex lebih baik untuk kompleksitas ingestion: 160+ konektor file, parsing PDF dan tabel lebih kuat. Jika sakit kamu di parsing, pilih LlamaIndex. Jika sakit kamu di routing dan state, pilih LangChain.

Bagaimana framework RAG berbeda dari vector database?

Vector database menyimpan dan mengambil embedding. Framework RAG mengorkestrasi pipeline penuh: memuat dokumen, chunking, embedding, menyimpan, mengambil, reranking, dan generasi. Framework menancap ke vector database. Pinecone dan Qdrant adalah vector database. LangChain dan LlamaIndex adalah framework yang menggunakannya.

Apa framework RAG open-source terbaik?

LangChain (MIT), LlamaIndex (MIT), dan Haystack (Apache-2.0) semuanya sepenuhnya open source. Untuk tim EU yang butuh Apache-2.0 khususnya, Haystack pilihan terkuat. RAGFlow (Apache-2.0) adalah opsi open-source terbaik jika akurasi parsing dokumen adalah perhatian utama kamu.

Framework RAG mana yang menangani PDF berat dokumen terbaik?

RAGFlow memimpin untuk akurasi parsing PDF mentah dengan pendekatan berbasis template untuk tabel, gambar, dan rumus. LlamaIndex adalah pilihan serba bisa yang lebih kuat jika kamu butuh 160+ konektor format di luar PDF. Haystack 3.0 menangani dokumen terstruktur dengan baik tapi punya konektor out-of-box lebih sedikit dari LlamaIndex.

Berapa biaya framework RAG?

Kedelapan framework di artikel ini gratis dan open source. Biaya kamu adalah infrastruktur (hosting vector database, tipikal $0-70/bulan di skala kecil) dan panggilan API LLM (pengeluaran berkelanjutan yang dominan). Opsi terkelola seperti LangSmith, LlamaCloud, dan deepset Cloud menambah biaya langganan untuk observabilitas dan hosting.

Apakah framework yang saya pilih memengaruhi latensi RAG saya?

Minimal. Overhead orkestrasi di bawah 4% dari respons end-to-end tipikal. Generasi LLM menyumbang sekitar 86%. Studi scaling arXiv Juli 2026 menemukan bahwa strategi retrieval (BM25 vs dense vs agentik) jauh lebih penting daripada plumbing orkestrasi. Habiskan anggaran optimasi kamu untuk kualitas retrieval (apa yang sebenarnya diberitahukan skor MTEB) dan kecepatan generasi, bukan pilihan framework.

Sumber

• Kebijakan rilis LangChain (diverifikasi 2026-07-31)
• Pengumuman GA LangGraph 1.0
• Pengumuman GA LangChain 1.0
• LlamaIndex Workflows 1.0
• Dokumentasi Haystack
• arXiv 2607.26497, BM25 Wins at Scale (disubmit 2026-07-29)
• Octomind, Why we no longer use LangChain
• Repo RAGFlow / Repo Dify / Repo LlamaIndex