AI 应用程序通过不同组件执行的各种任务组成其工作核心。为了简化 AI 工程师的工作，开源框架为数据加载器、大型语言模型 (LLM)、向量数据库、重新排序器等基本元素提供了用户友好的抽象，并扩展到外部服务。这些框架还在研究如何最有效地协调这些组件，以便开发人员能更直观、更有效地创建有凝聚力的 AI 系统。
目前考虑的编排方法包括链条和管道，两者都基于有向无环图 (DAG) 模型。这导致了工作流的探索，工作流是实现代理的一种新方法，遵循事件驱动架构。
基于 Graph/DAG 的方法，如 LangGraph 以及我们之前的查询管道，需要在后台进行大量工作，以确定“接下来运行什么、输入是什么”等。这些逻辑伴随着大量边缘情况，在我们日益复杂的查询管道代码库中变得非常明显。
在有向无环图的背景下，无环特性虽然有助于避免循环造成的复杂性，但也可能限制日益代理的 AI 应用。当组件产生不良结果时，开发人员需要实现自我纠正机制。尽管没有循环，查询管道还是面临几个挑战:
- 调试困难：识别问题变得棘手。
- 执行不透明：组件的执行流程不透明，难以理解。
- 编排复杂：编排器变得过于复杂，需要管理大量边缘情况。
- 可读性差：复杂的管道难以阅读和理解。
为了解决上述问题，LlamaIndex 提出了一种新的设计范式转变，从而产生了工作流甚至更驱动的事件架构。
这是一种基于事件驱动步骤来控制应用程序执行流程的方法。在此，应用程序被划分为由事件触发的部分，称为步骤。
步骤实际上是 Python 函数，可以是单行代码或多行复杂代码。事件是指状态的变化或我们可以注意、观察或记录的任何事物。
结合步骤和事件，我们可以创建任意复杂的流程，封装逻辑并使我们的应用程序更易于维护和理解。工作流（以及一般的事件驱动编程）提供了更强大的解决方案。
LlamaIndex 工作流提供了几个独特特性和功能，使其区别于其他框架:
- 数据索引：构建数据的中间表示形式，以便 LLM 轻松且高效地使用。
- 多种引擎：用于自然语言访问数据的不同类型的引擎，包括查询引擎和聊天引擎等。
- 可观察性/评估：对应用程序进行严格实验、评估和监控的集成。
- LlamaCloud：数据解析、提取、索引和检索的托管服务。
- 社区和生态系统：强大的社区影响力和相关项目。
- 集成灵活性：既适用于入门构建也适用于定制构建。
- 高级检索/查询接口：提供高级接口，用于为 LLM 提供输入提示并检索上下文和知识增强输出。
- 适合初学者和高级用户：高级 API 方便初学者提取和查询数据，同时为高级用户提供低级 API 以自定义和扩展模块。
LlamaIndex 还具备 Agentic Components 等核心模块，能够自动推理数据的不同用例，使它们本质上成为代理。还有原生 OpenAIAgent 等实现，基于 OpenAI API 构建，用于函数调用，允许快速进行代理开发。
为使用 LlamaIndex 工作流实现高级 RAG 系统，我们提供了一系列的步骤和事件。首先进行数据索引和创建索引，然后使用该索引加查询来检索文本块，接着使用原始查询对检索到的文本块进行重新排序，最后综合最终回应。
为处理这些步骤，我们需要定义相关事件。例如：
- 将检索到的节点传递给重新排序器的事件。