每次寫完一段得意的 Python 代碼，你是不是也幻想著在客戶或老板面前來一場完美的產品 demo？但現實往往是，要么在 Jupyter Notebook 里翻來覆去地展示 cell，要么在命令行里敲一堆指令，顯得有點……不夠高級，對吧？我最開始也這么想，于是腦子里冒出了一堆計劃：要不學學 Streamlit 或 Gradio，搭個漂亮的前端頁面？后端再用 FastAPI 撐起來？聽起來不錯，但一想到學習成本和開發時間……有沒有更輕松的辦法呢？

直到我昨天看到了 LazyLLM，我用不到 10 行 Python 代碼實現了一個帶有兩個并行檢索方法和一個重排方法的 RAG 系統。

我用 Qwen3 官方技術博客作為知識庫，然后開始詢問 RAG 系統有關 Qwen3 的知識，毫無疑問，系統全部答對了。

圖片

？

你認為構建一個像上面一樣帶有交互頁面的 RAG 系統 demo 要寫多少代碼？ 如果用 LangChain 或者 LangGraph + Gradio 的話，我感覺至少需要 100 行代碼！

但是你看我的代碼：

圖片

帶上格式化自動換行和空行也就 63 行代碼！而且我還實現了兩個檢索器（retriever）和一個重排器（reranker）！

所有核心邏輯都位于 build_rag_pipeline 函數中，顧名思義，這是一個構造 RAG 工作流的函數。

我首先將與代碼文件同級的 docs 目錄下的所有文檔作為知識庫，并借助于阿里云提供的 text-embedding-v3 嵌入模型生成嵌入向量。

然后按照句子維度切分原始文檔。

圖片

現在我分 4 步開始構建檢索與生成流水線：

1. 設立兩個并行檢索器

2. 設立一個重排機制

3. 將檢索到的內容格式化

4. 利用阿里云提供的 qwen-max 大模型根據用戶查詢和檢索到的結果生成回復

圖片

最后僅需一行代碼啟動圖像交互頁面：

lazyllm.WebModule(rag_ppl, port=23456).start().wait()

在瀏覽器中輸入 http://127.0.0.1:23456/ 即可開啟會話。

我就問你簡單不簡單？

這一切得益于商湯 LazyAGI 團隊開發的開源低代碼開發框架：LazyLLM。專為構建和優化多智能體（Multi-Agent）大語言模型（LLM）應用而設計。它提供從應用搭建、數據準備、模型部署、微調到評測的一站式工具支持，幫助開發者以極低的成本快速構建 AI 應用，并持續迭代優化效果。

圖片

LazyLLM 的核心特性

• 模塊化與數據流管理：通過 Pipeline、Parallel 等預定義流程，輕松組織復雜應用邏輯。
• 多智能體支持：快速構建包含多個 AI 智能體的應用，適配大模型任務。
• 一鍵部署與跨平臺兼容性：支持從原型驗證到生產發布的完整流程，自動配置子模塊服務，兼容裸金屬服務器、開發機、Slurm 集群和公有云。
• 高效的模型微調：支持應用內模型微調，持續提升應用性能。
• 輕量級網關機制：簡化服務啟動和 URL 配置，提升開發效率。

感興趣的小伙伴可以去官方 GitHub 倉庫查看：https://github.com/LazyAGI/LazyLLM/tree/main