Cel mai bun framework RAG în 2026: LangChain vs LlamaIndex vs Haystack (și când nu ai nevoie de niciunul)

Cel mai bun framework RAG în 2026: LangChain vs LlamaIndex vs Haystack (și când nu ai nevoie de niciunul)

LangGraph 1.0 a lansat prima versiune stabilă la finalul lui 2025, iar LangChain a ajuns la 143.060 de stele pe GitHub până în iulie 2026. Aceste două fapte încadrează decizia pe care o iei. Cel mai bun framework RAG în 2026 depinde de o singură întrebare: chiar ai nevoie de unul? Pentru o aplicație de Q&A pe un singur corpus, de la un singur provider, un SDK de provider plus un client de vectori este suficient. Pentru ingestie din mai multe surse sau recuperare agentică, alege LangChain/LangGraph sau LlamaIndex.

Concluzii cheie

• Alegere implicită: LangChain 1.0 + LangGraph pentru aplicații de producție care au nevoie de orchestrare în mai mulți pași.
• Un singur corpus, un singur provider? Sari peste framework. SDK-ul de provider + clientul de vectori livrează mai repede.
• Overhead-ul framework-ului rămâne sub 10% din latența totală RAG. Strategia de recuperare contează mai mult.
• Verifică pushed_at, nu stelele. Un repo activ bate de fiecare dată un cadavru plin de stele.

Toate framework-urile RAG din 2026, comparate

Opt framework-uri de orchestrare și o opțiune fără framework, punctate pe ceea ce verifică de fapt un lead de inginerie înainte să se angajeze. Acest tabel acoperă doar stratul de orchestrare. Pentru stack-ul RAG complet, inclusiv baze de date vectoriale și rerankere, aceea este o decizie separată.

Ultima verificare: 2026-07-31

Verdicturile de mai sus sunt puncte de plecare, nu răspunsuri finale. Secțiunea următoare îți spune dacă ai nevoie de vreunul dintre ele. Dacă da, comparația de cod din H2 #3 arată cum arată de fapt viața în fiecare.

Chiar ai nevoie de un framework RAG în 2026?

Poate că nu. Un framework de generare augmentată prin recuperare (RAG) își câștigă locul când pipeline-ul tău are complexitate reală de orchestrare. Pentru o aplicație simplă de întrebări și răspunsuri pe un singur corpus, un singur provider LLM și o strategie standard de chunking, un SDK de provider plus un client de vectori este chiar suficient. Vei livra în zile, nu în săptămâni.

Trei ramuri, spuse răspicat:

Ramura 1: un singur corpus, un provider, Q&A simplu. Folosește direct SDK-ul providerului. Endpoint-ul de embedding-uri de la OpenAI plus Qdrant, Chroma sau pgvector ca stocare vectorială îți oferă un pipeline funcțional în sub 50 de linii. Fără taxă de abstractizare. Fără upgrade-uri de framework de urmărit. Dacă ai nevoie de conceptele de pipeline înainte să alegi, construiește întâi un pipeline RAG cap-coadă.

Ramura 2: ingestie din mai multe surse, zeci de formate de documente, probleme de parsing. Aici un framework își câștigă existența. Readerele LlamaIndex gestionează peste 160 de formate de fișiere. Convertoarele Haystack și parsing-ul profund de PDF de la RAGFlow îți economisesc săptămâni de cod de loader personalizat. Overhead-ul de orchestrare este real, dar mic pe lângă munca de ingestie.

Ramura 3: recuperare agentică, în mai mulți pași. Folosește un framework, altfel vei reconstrui prost LangGraph și fără teste. Rutarea condițională, checkpoint-urile human-in-the-loop și recuperarea cu stare pe mai multe ture sunt exact lucrurile pentru care a fost construit LangGraph 1.0.

Contra-narațiunea este reală și documentată. Octomind a rulat LangChain în producție peste 12 luni, din începutul lui 2023, apoi l-a eliminat în 2024. Motivul declarat: abstractizările făceau modificările de nivel scăzut dificile sau imposibile, iar blocurile modulare de construcție au simplificat codebase-ul. Discuția de pe Hacker News a strâns sute de comentarii de la ingineri cu povești similare.

Ce s-a schimbat la furnizori: SDK-urile providerilor au absorbit mare parte din ceea ce framework-urile abstractizau înainte. Folosirea nativă de tool-uri, apelurile de tool-uri în streaming și prompt caching sunt acum cetățeni de primă rang în SDK-urile OpenAI și Anthropic. Decalajul de abstractizare care justifica un framework în 2023 s-a îngustat considerabil până în 2026.

Majoritatea echipelor supraestimează complexitatea de orchestrare pe care o vor întâlni și subestimează costul unui framework de care nu au nevoie.

Același pipeline RAG, scris în patru feluri

Cel mai rapid mod de a judeca un framework este să citești aceeași sarcină scrisă în el. Mai jos: ingerează două documente, indexează-le, răspunde la o întrebare. Aceleași intrări, aceeași formă de ieșire. Patru implementări.

LangChain (18 linii):

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?"))

Observație: 18 linii, lizibil, dar doar lista de importuri îți spune suprafața de dependențe pe care o accepți.

LlamaIndex (12 linii):

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?"))

Observație: 12 linii. Cel mai scurt drum de la folder la răspuns. Modelul de embedding cu care îl alimentezi contează mai mult decât framework-ul care îl învelește.

Haystack (16 linii):

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?"}}))

Observație: 16 linii, dar cel mai explicit cablaj. Fiecare conexiune este vizibilă. Acea verbositate se plătește la peste 40 de componente.

Fără framework (14 linii):

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)

Observație: 14 linii, zero dependențe de framework, baza de date vectorială de dedesubt este singura alegere de infrastructură. Cel mai greu de extins dincolo de 3 tipuri de documente.

Cele 8 framework-uri RAG care merită cunoscute în 2026

Framework-ul potrivit este cel ale cărui abstractizări se potrivesc cu blocajul tău real. Problemele de parsing duc spre LlamaIndex sau RAGFlow. Complexitatea de orchestrare duce spre LangGraph. Conformitatea enterprise duce spre Haystack sau Semantic Kernel. Iată întregul teren.

1. LangChain / LangGraph, cel mai bun pentru pipeline-uri agentice în mai mulți pași

Cel mai mare ecosistem din domeniu, acum stabilizat sub o versiune 1.0 LTS. LangChain 1.0 a introdus create_agent și un sistem de middleware; LangGraph 1.0 a ajuns la GA cu stare durabilă și checkpoint-uri human-in-the-loop. Limita sinceră: suprafața de abstractizare este mare, iar echipele care au nevoie doar de recuperare simplă cară greutate pe care nu o vor folosi niciodată. LangGraph este subutilizat de domeniu, deși este cea mai puternică opțiune de orchestrare cu stare disponibilă. Pentru unghiul specific al buclei de agent, vezi cum se compară LangGraph cu CrewAI și OpenAI Agents SDK.

Alege-l dacă ai nevoie de rutare condițională, recuperare pe mai multe ture sau porți de aprobare umană în producție.

2. LlamaIndex, cel mai bun pentru ingestie grea de documente

Peste 160 de conectori de date, cel mai puternic parsing din start pentru PDF-uri, tabele și documente structurate. Workflows 1.0 a adăugat un strat ușor, orientat pe evenimente, pentru pattern-uri agentice, fără toată greutatea LangGraph. Limita: dacă blocajul tău este orchestrarea și nu ingestia, abstractizările motorului de interogare LlamaIndex încep să se lupte cu tine. Portul TypeScript rămâne în urma Python cu câteva versiuni.

Alege-l dacă corpusul tău este dezordonat (PDF-uri scanate, tabele, formate amestecate) și parsing-ul este locul unde pierzi timp.

3. Haystack, cel mai bun pentru NLP enterprise și echipe din UE

Licență Apache-2.0, componente de pipeline tipizate și un story solid pentru industriile reglementate. Haystack 3.0 (lansat în iulie 2026) a curățat și mai mult API-ul componentelor. deepset oferă o opțiune de cloud managed pentru echipele care nu vor să facă self-host. Limita: comunitate mai mică decât LangChain sau LlamaIndex, mai puține integrări third-party, iar migrarea de la 1.x la 2.x a fost o rescriere aproape completă care a ars early adopters.

Alege-l dacă activezi într-o industrie reglementată din UE și ai nevoie de licențiere Apache-2.0 cu pipeline-uri tipizate și auditabile.

4. RAGFlow, cel mai bun pentru parsing profund și gratuit de documente

Un motor Apache-2.0 de la InfiniFlow care face parsing de PDF bazat pe șabloane (tabele, figuri, formule) mai bine decât orice altceva din zona open-source. 86.478 de stele și lansări săptămânale active. Limita: este mai degrabă un motor de parsing și recuperare decât un framework general de orchestrare. Vei avea nevoie în continuare de altceva pentru rutare agentică sau failover între mai mulți provideri.

Alege-l dacă acuratețea parsing-ului de documente este cel mai mare blocaj al tău și îl vrei gratuit.

5. DSPy, cel mai bun pentru optimizarea prompturilor la scară

Framework-ul de la Stanford tratează prompturile ca programe pe care le compilezi, nu ca șiruri pe care le scrii. Definești semnături și metrici; DSPy optimizează automat prompturile și exemplele few-shot. Limita: curba de învățare este abruptă, abstractizările sunt academice, iar pattern-urile de deployment în producție încă se maturizează. Versiunea 3.2.1 a fost lansată în mai 2026.

Alege-l dacă ai date de evaluare, vrei optimizare sistematică a prompturilor și ai răbdare pentru un instrument de nivel de cercetare.

6. Dify, cel mai bun pentru prototipare no-code

Un builder vizual care pornește o aplicație RAG funcțională într-o după-amiază. 150.858 de stele, cel mai apreciat proiect din această listă. Limita: este o platformă, nu o bibliotecă. Schimbi controlul la nivel de cod pe viteză. Logica de recuperare personalizată dincolo de editorul vizual devine repede incomodă. Licența este un Apache-2.0 modificat, cu termeni comerciali suplimentari pentru deployment-uri multi-tenant.

Alege-l dacă ai nevoie de un demo funcțional săptămâna aceasta, iar logica ta de recuperare este standard.

7. txtai, cel mai bun pentru aplicații ușoare, single-file

O bază de date de embedding-uri, un motor de recuperare și un pipeline LLM, toate într-un singur pachet Python. 12.769 de stele, Apache-2.0 și, sincer, cea mai ușoară opțiune de aici. Limita: este proiectat pentru sarcini mici și medii. Scalarea pe mai multe noduri, rutarea complexă și funcțiile enterprise nu sunt scopul lui.

Alege-l dacă vrei cea mai mică amprentă de dependențe posibilă și corpusul tău încape într-un singur proces.

8. Semantic Kernel, cel mai bun pentru .NET și echipe enterprise Microsoft

SDK-ul Microsoft pentru integrarea LLM-urilor în aplicații C#, Python și Java. Integrare nativă Azure AI, telemetrie de nivel enterprise și singurul răspuns real pentru echipele blocate în stack-ul Microsoft. Limita: în afara Azure, story-ul de integrare se subțiază. SDK-ul Python rămâne în urma celui C# la viteza de adăugare a funcțiilor.

Alege-l dacă echipa ta scrie C# sau Java, iar infrastructura ta este deja Azure.

Pathway merită menționat ca opțiune de indexare în streaming pentru corpusuri actualizate continuu, dar este un framework de procesare a datelor, nu un strat de orchestrare RAG, așa că nu primește un loc în clasament.

Care framework-uri RAG sunt încă întreținute activ?

Stelele îți spun ce a fost popular. Data ultimului commit îți spune ce este viu. Fiecare framework de mai jos a avut un commit în ultimele 48 de ore de la redactare, ceea ce este mai sănătos decât arăta domeniul acum 12 luni.

Extrase din API-ul REST GitHub pe 2026-07-31. Metodă: GET /repos/{owner}/{repo} pentru stele și pushed_at, GET /repos/{owner}/{repo}/releases/latest pentru tag-ul de lansare.

Coloana pushed_at este cea pe care nimeni altcineva nu o tipărește. Un framework cu 90.000 de stele și niciun commit de patru luni este o datorie, nu un activ. Toate cele opt repo-uri de aici sunt întreținute activ la momentul redactării. Rulează tu însuți interogarea înainte să te angajezi; cifrele se mișcă săptămânal.

Framework-ul RAG îți afectează latența?

Aproape deloc. Overhead-ul framework-ului este cel mai mic termen din timpul tău total de răspuns. Strategia de recuperare și generarea LLM domină, iar echipele care aleg un framework pe baza milisecundelor din benchmark-uri optimizează variabila greșită.

Cea mai solidă dovadă vine din studiul de scalare arXiv din iulie 2026, BM25 Wins at Scale. Cercetătorii au măsurat 28 de niveluri de corpus imbricate, pe un interval de scală de 450 de ori. Concluzia lor: BM25 depășește căutarea agentică la aproximativ 10 milioane de tokeni de corpus și conduce fiecare nivel mai mare, cu o marjă care se apropie de 20 de puncte la scară completă. Strategia de recuperare, nu instalația de orchestrare, determină dacă răspunsurile tale sunt bune.

Iată un buget de latență derivat pentru un răspuns RAG tipic. Fiecare valoare, în afară de overhead-ul de orchestrare, vine dintr-o sursă publicată, încărcată în timpul redactării:

Ipoteze: interogare de la un singur utilizator, conexiuni calde, fără reîncercări de rețea. Doar etapa de generare reprezintă 86% din total.

Gaura sinceră: nimeni nu publică o măsurătoare reproductibilă a overhead-ului de framework. O cifră care circulă online (15-40 ms, atribuită unui site de conținut în aprilie 2026) se află în spatele unei pagini care a returnat HTTP 403 atât pe 2026-07-30, cât și pe 2026-07-31, deci nu o putem cita. Chiar acordând un overhead generos de 50 ms pentru orchestrare, asta înseamnă sub 4% dintr-un răspuns total de 1.395 ms.

Lectura noastră a acestor cifre: alegerea framework-ului nu este o decizie de latență. Strategia de recuperare și generarea sunt. Dacă aplicația ta RAG pare lentă, profilează apelul LLM și pasul de recuperare înainte să învinovățești stratul de orchestrare.

Pe ce nu am începe un proiect nou în 2026

Trei elemente, fiecare susținut de dovezi observabile, nu de opinii:

Haystack 1.x. Lansarea 2.x de la deepset a fost o rescriere aproape completă a API-ului, iar 3.0 a fost lansat în iulie 2026. Linia 1.x nu mai este dezvoltată. Să pornești pe ea astăzi înseamnă să adopți un API mort. Verifică documentația proprie deepset pentru versiunea curentă.

Pattern-urile de lanț LangChain 0.x. LangChain dinainte de 1.0 nu avea nicio garanție de stabilitate. Politica de lansare afirmă acum că modificările care rup compatibilitatea apar doar în versiunile majore, iar 1.0 este desemnat LTS. Codul scris pe pattern-urile LLMChain din 0.x va avea nevoie de migrare. Pornește pe 1.0.

Orice repo cu pushed_at mai vechi de șase luni. Aceasta este o regulă generală, nu un produs numit. Tabelul de mai sus arată toate cele opt repo-uri active. Dacă un framework pe care îl evaluezi nu apare acolo, verifică ultimul lui commit înainte să depinzi de el.

O notă despre categorie: platformele no-code precum Dify sunt o decizie diferită de framework-urile code-first. Nu le listăm aici ca elemente de „evitat". Ele rezolvă o problemă diferită (viteză până la demo versus mentenabilitate pe termen lung).

Cum alegi un framework RAG?

Patru întrebări ortogonale. Răspunde-le pe rând și terenul se îngustează repede la una sau două opțiuni.

Încă un criteriu pe care nimeni nu îl prețuiește: costul de ieșire. Politica de lansare a LangChain se angajează la modificări care rup compatibilitatea doar în versiunile majore, cu 1.0 ca lansare LTS activă până la 2.0 și apoi cel puțin un an în mentenanță. Aceasta este o garanție concretă de reversibilitate. Rescrierea Haystack de la 1.x la 2.x este contraexemplul de avertizare. Include costul de migrare în selecție, nu doar listele de funcții.

Cum abordează Techsy acest lucru

Nu vindem niciunul dintre aceste framework-uri. Trei dintre cele patru pagini concurente lizibile din acest SERP împing un produs propriu în mijlocul recomandării. Noi nu avem unul, așa că alegerile de mai sus sunt neconstrânse de venituri.

Când echipa Techsy selectează un strat de orchestrare pentru munca la clienți, pornim de la întrebarea despre blocaj de mai sus, prototipăm întâi versiunea fără framework și adăugăm un framework doar când codul ne spune că complexitatea este reală. Majoritatea proiectelor rămân pe Ramura 1 mai mult decât se așteaptă echipa.

Dacă vrei o a doua opinie despre stack-ul tău, primește o consultație gratuită.

Despre autor

Mert Batur este Co-Fondator al Techsy.io, unde echipa livrează agenți AI, sisteme de automatizare și pipeline-uri de voce/SDR pentru clienți B2B. El scrie despre stack-ul de instrumente LLM pe care echipa Techsy îl folosește efectiv în producție.

Co-Fondator, Techsy.io | LinkedIn

Întrebări frecvente

Ce este un framework RAG?

Un framework RAG este o bibliotecă de orchestrare care se ocupă de instalația dintre documentele tale, stocarea vectorială și LLM-ul tău. Gestionează ingestia, chunking-ul, embedding-ul, recuperarea și generarea ca un pipeline conectat. Fără unul, tu însuți cablati aceste etape folosind SDK-uri de provider și un client de bază de date vectorială.

Am nevoie de un framework RAG?

Nu întotdeauna. Dacă ai un singur corpus, un singur provider LLM și un Q&A simplu, un SDK de provider plus un client de vectori este suficient. Ai nevoie de un framework când te confrunți cu ingestie din mai multe surse, zeci de formate de documente sau recuperare agentică în mai mulți pași, cu rutare condițională și stare.

Care este cel mai bun framework RAG în 2026?

LangChain 1.0 cu LangGraph este alegerea implicită pentru aplicațiile de producție care au nevoie de orchestrare. LlamaIndex câștigă pentru ingestie grea de documente. Dacă aplicația ta este un Q&A pe un singur corpus, de la un singur provider, sari complet peste framework și folosește direct SDK-ul providerului.

Este LangChain sau LlamaIndex mai bun pentru RAG?

LangChain este mai bun pentru complexitatea de orchestrare: rutare în mai mulți pași, agenți, human-in-the-loop. LlamaIndex este mai bun pentru complexitatea de ingestie: peste 160 de conectori de fișiere, parsing mai puternic de PDF și tabele. Dacă durerea ta este parsing-ul, alege LlamaIndex. Dacă durerea ta este rutarea și starea, alege LangChain.

Cum diferă un framework RAG de o bază de date vectorială?

O bază de date vectorială stochează și recuperează embedding-uri. Un framework RAG orchestrează întregul pipeline: încărcarea documentelor, chunking, embedding, stocare, recuperare, reranking și generare. Framework-ul se conectează la baza de date vectorială. Pinecone și Qdrant sunt baze de date vectoriale. LangChain și LlamaIndex sunt framework-uri care le folosesc.

Care este cel mai bun framework RAG open-source?

LangChain (MIT), LlamaIndex (MIT) și Haystack (Apache-2.0) sunt toate complet open source. Pentru echipele din UE care au nevoie specific de Apache-2.0, Haystack este cea mai puternică alegere. RAGFlow (Apache-2.0) este cea mai bună opțiune open-source dacă acuratețea parsing-ului de documente este preocuparea ta principală.

Care framework RAG gestionează cel mai bine PDF-urile grele?

RAGFlow conduce pentru acuratețea brută a parsing-ului de PDF, cu abordarea sa bazată pe șabloane pentru tabele, figuri și formule. LlamaIndex este alegerea mai puternică în general dacă ai nevoie de peste 160 de conectori de formate dincolo de PDF-uri. Haystack 3.0 gestionează bine documentele structurate, dar are mai puțini conectori din start decât LlamaIndex.

Cât costă framework-urile RAG?

Toate cele opt framework-uri din acest articol sunt gratuite și open source. Costurile tale sunt infrastructura (găzduirea bazei de date vectoriale, de obicei 0-70 USD pe lună la scară mică) și apelurile API LLM (cheltuiala recurentă dominantă). Opțiunile managed precum LangSmith, LlamaCloud și deepset Cloud adaugă costuri de abonament pentru observabilitate și găzduire.

Framework-ul pe care îl aleg îmi afectează latența RAG?

Minim. Overhead-ul de orchestrare este sub 4% dintr-un răspuns tipic cap-coadă. Generarea LLM reprezintă aproximativ 86%. Studiul de scalare arXiv din iulie 2026 a constatat că strategia de recuperare (BM25 versus dens versus agentic) contează mult mai mult decât instalația de orchestrare. Cheltuiește-ți bugetul de optimizare pe calitatea recuperării (ce îți spune de fapt un scor MTEB) și pe viteza de generare, nu pe alegerea framework-ului.

Surse

• Politica de lansare LangChain (verificat 2026-07-31)
• Anunțul LangGraph 1.0 GA
• Anunțul LangChain 1.0 GA
• LlamaIndex Workflows 1.0
• Documentația Haystack
• arXiv 2607.26497, BM25 Wins at Scale (depus 2026-07-29)
• Octomind, Why we no longer use LangChain
• Repo RAGFlow / Repo Dify / Repo LlamaIndex