用途：为构建检索增强生成（RAG）应用提供框架对比与选型参考，覆盖 LangChain、LlamaIndex、Sentence Transformers 三类工具，并给出常见 RAG 架构模式与决策指南。
主要能力与对比：LangChain 是面向复杂 LLM 应用的编排框架，核心概念包括 Chains（检索→提示→生成等顺序操作）、Agents（由 LLM 决定使用哪些工具）、LCEL（用 | 运算符的声明式管道语法）和 Retrievers（向量存储的抽象接口）；优势是生态丰富、集成多、具备智能体能力，限制是抽象可能令人困惑、API 变化快。LlamaIndex 是聚焦连接 LLM 与外部数据的数据框架，核心概念包括 Documents→Nodes（自动分块与索引）、多种索引类型（向量、关键词、树、知识图谱）、查询引擎与聊天引擎；优势是 API 简单、适合文档问答、数据连接器多，限制是对复杂智能体工作流灵活性较低。Sentence Transformers 用于生成高质量语义相似度嵌入，常见模型有 all-MiniLM-L6-v2（384 维，质量好、速度快）、all-mpnet-base-v2（768 维，更好、速度中等）、e5-large-v2（1024 维，最好、速度慢），核心是双编码器架构，分别编码查询与文档后用余弦相似度比较。
架构模式：Naive RAG（检索 top-k 塞入提示，适合简单问答）、Parent-Child（检索块返回父文档，保留上下文）、Hybrid Search（向量加关键词，提升召回）、Re-ranking（多检索后用交叉编码器重排，提升精度）、Query Expansion（生成查询变体，应对模糊查询）。
选型建议：简单文档问答用 LlamaIndex；复杂智能体/工具用 LangChain；自定义嵌入管道用 Sentence Transformers；生产级 RAG 用 LangChain 或自建；快速原型用 LlamaIndex；最大控制力则用 Sentence Transformers 自建。
资源：LangChain https://python.langchain.com ；LlamaIndex https://docs.llamaindex.ai ；Sentence Transformers https://sbert.net 。
限制：资料未提供具体安装命令、代码示例、收费与平台信息，暂未提供。