企业官网建设流程全解析

Haystack 集成 Amazon Bedrock 全指南：从生成、嵌入、检索到重排与 Token 计数的统一组件体系

【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack

Amazon Bedrock 是 AWS 提供的全托管基础模型服务，通过统一 API 暴露 Anthropic、Cohere、Meta、Mistral 与 Amazon Titan 等多家厂商的模型。Haystack 通过amazon-bedrock-haystack集成包，把 Bedrock 的对话生成、文本/图像嵌入、文档重排、托管知识库检索、S3 文件下载与 Token 计数能力封装为一组可直接接入 Pipeline 的组件。本文基于 API 参考文档 展开，结合仓库内各组件用户指南（生成器指南、嵌入器指南、重排器指南 等），系统讲解每个组件的初始化参数、运行行为、底层调用机制与可运行示例，帮助你用一套 AWS 凭证打通从索引到检索、从对话到工具调用的完整 RAG 与 Agent 链路。

集成全景与安装

该集成包含的组件与工具类横跨 Haystack 的多个组件家族，全部通过一个包安装：

pip install amazon-bedrock-haystack

从 API 参考 可以梳理出如下模块地图：

认证方式：环境变量、Secret 与 AWS CLI

所有组件共享同一套 AWS 认证逻辑。官方推荐优先使用 AWS CLI 配置凭证（aws configure），此时无需在组件初始化时传任何凭证参数，boto3 会自动从环境或~/.aws配置文件中加载。若 AWS 环境未配置，则需显式提供三个必填项：aws_access_key_id、aws_secret_access_key、aws_region_name（并确保所选区域支持 Amazon Bedrock）。

各组件构造函数默认都通过Secret.from_env_var(..., strict=False)读取以下环境变量：

• AWS_ACCESS_KEY_ID→aws_access_key_id
• AWS_SECRET_ACCESS_KEY→aws_secret_access_key
• AWS_SESSION_TOKEN→aws_session_token（临时凭证场景）
• AWS_DEFAULT_REGION→aws_region_name
• AWS_PROFILE→aws_profile_name

也可以用 Secret 对象 直接注入，例如 Ranker 文档中的写法：

from haystack.utils import Secret from haystack_integrations.components.rankers.amazon_bedrock import AmazonBedrockRanker ranker = AmazonBedrockRanker( model="cohere.rerank-v3-5:0", top_k=2, aws_region_name=Secret.from_token("eu-central-1"), )

此外所有组件都接受boto3_config: dict[str, Any] | None，用于向底层 boto3 客户端传递重试策略、超时与连接管理等低层配置。

异常体系：分层错误分类

集成把错误按来源分为两层，均在haystack_integrations.common命名空间下定义：

Amazon Bedrock 层（common.amazon_bedrock.errors）：

S3 层（common.s3.errors）：

这种分层设计让上层管道可以按粒度捕获异常：既可以用AmazonBedrockError统一兜底 Bedrock 相关故障，也可以精确区分「配置问题」与「推理问题」采取不同重试/告警策略。

AmazonBedrockChatGenerator：基于 Converse API 的统一对话生成

这是集成中功能最丰富的组件，通过 Bedrock Converse API 完成对话补全，用一个组件对接 Amazon、Anthropic、Cohere、Meta、Mistral 等多厂商聊天模型。例如使用global.anthropic.claude-sonnet-4-6模型：

from haystack_integrations.components.generators.amazon_bedrock import ( AmazonBedrockChatGenerator, ) from haystack.dataclasses import ChatMessage messages = [ ChatMessage.from_system("You are a helpful assistant that answers question in Spanish only"), ChatMessage.from_user("What's Natural Language Processing? Be brief."), ] generator = AmazonBedrockChatGenerator(model="global.anthropic.claude-sonnet-4-6") response = generator.run(messages) print(response)

run()的签名支持两种输入：messages: list[ChatMessage] | str，若直接传字符串会自动包装为一条 user 角色的ChatMessage；返回值统一放在"replies"键下，是模型生成的ChatMessage列表。ChatMessage是 Haystack 核心数据类（见 chat_message.py）。

生成参数 generation_kwargs

初始化与运行两个阶段都可以传generation_kwargs，运行期传入的字典按 key 与初始化期合并，运行期 key 优先。常见参数包括：

• maxTokens：最大生成 token 数
• stopSequences：停止序列列表
• temperature：采样温度
• topP：核采样参数
• response_format：结构化 JSON 输出，需提供schema（必填 JSON Schema dict）、name（可选，默认"response_schema"）、description（可选）

generation_kwargs = { "response_format": { "name": "person", "schema": { "type": "object", "properties": { "name": {"type": "string"}, "age": {"type": "integer"}, }, "required": ["name", "age"], "additionalProperties": False, }, } }

启用response_format后，解析出的 JSON 对象存放在reply.meta["structured_output"]中。模型专有参数（如不同厂商的 temperature、topP 命名差异）请以 Bedrock 的模型参数文档为准。

流式输出与异步执行

流式输出通过streaming_callback开启。初始化时传入回调后组件即进入流式模式；回调接收 Haystack 的StreamingChunk对象。也可以在每个run()调用时临时传入回调覆盖。常用做法是配合仓库内置的print_streaming_chunk工具函数（见 generators/utils）：

from haystack.components.generators.utils import print_streaming_chunk client = AmazonBedrockChatGenerator( model="global.anthropic.claude-sonnet-4-6", streaming_callback=print_streaming_chunk, ) client.run(messages, generation_kwargs={"max_tokens": 512})

同时组件提供run_async()，签名与run()完全一致，专为非阻塞、并发执行场景设计；异步流式回调优先。

工具调用：复用 Haystack 统一工具架构

AmazonBedrockChatGenerator支持 Haystack 的统一工具体系，同一份Tool定义可以跨 Bedrock、OpenAI、Ollama 等不同提供商一致使用。tools参数接受ToolsType：可以是 Tool 对象列表、单个Toolset、或 Tool 与 Toolset 的混合列表（Tool/Toolset定义见 tool.py 与 toolset.py）。

from haystack.dataclasses import ChatMessage from haystack.tools import Tool from haystack_integrations.components.generators.amazon_bedrock import AmazonBedrockChatGenerator def weather(city: str): return f'The weather in {city} is sunny and 32°C' weather_tool = Tool( name="weather", description="useful to determine the weather in a given location", parameters={ "type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"], }, function=weather, ) client = AmazonBedrockChatGenerator( model="global.anthropic.claude-sonnet-4-6", tools=[weather_tool], ) messages = [ChatMessage.from_user("What's the weather like in Paris?")] results = client.run(messages=messages) # 取出模型发起的工具调用 tool_message = next(msg for msg in results["replies"] if msg.tool_call) tool_call = tool_message.tool_call # 执行工具并把结果回传给模型 weather_result = weather(**tool_call.arguments) new_messages = [ messages[0], tool_message, ChatMessage.from_tool(tool_result=weather_result, origin=tool_call), ] final_result = client.run(new_messages) print(final_result["replies"][0].text)

工具列表也可以在run()时动态传入，每个工具名必须唯一。这正是构建 Agent 循环的关键：模型发起调用 → 应用执行 → 通过ChatMessage.from_tool回传 → 模型给出最终答复。

多模态输入

Converse API 天然支持图像输入。把ImageContent（见 image_content.py）与文本组合成一条 user 消息即可：

from haystack.dataclasses import ChatMessage, ImageContent from haystack_integrations.components.generators.amazon_bedrock import AmazonBedrockChatGenerator generator = AmazonBedrockChatGenerator(model="global.anthropic.claude-sonnet-4-6") image_content = ImageContent.from_file_path(file_path="apple.jpg") message = ChatMessage.from_user(content_parts=["Describe the image using 10 words at most.", image_content]) response = generator.run(messages=[message])["replies"][0].text

提示缓存（Prompt Caching）

组件支持 Bedrock 的提示缓存以降低延迟与输入 token 成本。缓存点在请求内最多可设四个，并需满足模型特定的最小 token 阈值。两种配置途径：

缓存消息：在ChatMessage.meta中设置cachePoint：

msg = ChatMessage.from_user( "Long message...", meta={"cachePoint": {"type": "default", "ttl": "5m"}}, )

缓存写入成功后，可在结果中读取缓存命中的输入 token 数：

result["replies"][0].meta["usage"]["cache_write_input_tokens"]

缓存工具与系统消息：通过初始化参数tools_cachepoint_config与system_cachepoint_config，字典需匹配 BedrockCachePointBlock结构，例如{"type": "default", "ttl": "5m"}。传入tools_cachepoint_config后，所有发给模型的工具定义（超过最小阈值时）都会被缓存。

安全护栏 Guardrails

guardrail_config用于关联在 Bedrock 控制台创建的护栏，字典需匹配 BedrockGuardrailConfiguration（普通模式）或GuardrailStreamConfiguration（流式模式，即设置了streaming_callback时）。若trace设为enabled，护栏 trace 会写入结果ChatMessage的meta["trace"]。注意流式模式启用护栏可能引入额外延迟，可通过调整streamProcessingMode平衡。

嵌入组件三件套：文本、文档、图像

AmazonBedrockTextEmbedder：查询向量化

用于对单个字符串（通常是查询）做向量化，输出{"embedding": [...]}。支持 Amazon Titan 与 Cohere 嵌入模型，如amazon.titan-embed-text-v1、amazon.titan-embed-text-v2:0、amazon.titan-embed-image-v1、cohere.embed-english-v3、cohere.embed-multilingual-v3、cohere.embed-v4:0。除模型与凭证外，其余参数通过**kwargs透传给模型推理，例如 Cohere 的input_type（如search_query）与truncate，或 Titan V2 的dimensions、normalize。

import os from haystack_integrations.components.embedders.amazon_bedrock import AmazonBedrockTextEmbedder os.environ["AWS_ACCESS_KEY_ID"] = "..." os.environ["AWS_SECRET_ACCESS_KEY"] = "..." os.environ["AWS_DEFAULT_REGION"] = "us-east-1" text_embedder = AmazonBedrockTextEmbedder( model="cohere.embed-english-v3", input_type="search_query", truncate="LEFT", ) print(text_embedder.run("I love pizza!")) # {'embedding': [-0.453125, 1.2236328, 2.0058594, ...]}

AmazonBedrockDocumentEmbedder：文档批量向量化

用于索引管道中在DocumentWriter之前批量嵌入文档，结果写入每个Document.embedding字段。关键参数：

import os from haystack import Document from haystack_integrations.components.embedders.amazon_bedrock import AmazonBedrockDocumentEmbedder os.environ["AWS_ACCESS_KEY_ID"] = "..." os.environ["AWS_SECRET_ACCESS_KEY"] = "..." os.environ["AWS_DEFAULT_REGION"] = "us-east-1" doc = Document(content="some text", meta={"title": "relevant title", "page number": 18}) embedder = AmazonBedrockDocumentEmbedder( model="cohere.embed-english-v3", input_type="search_document", meta_fields_to_embed=["title"], ) docs_w_embeddings = embedder.run(documents=[doc])["documents"]

AmazonBedrockDocumentImageEmbedder：图片/PDF 多模态向量化

该组件读取 Document 元数据中指向的图片或 PDF 文件，计算多模态嵌入后写入embedding字段。支持模型包括amazon.titan-embed-image-v1与 Cohere 多模态系列。初始化参数要点：

• file_path_meta_field（默认"file_path"）：存放文件路径的 meta 字段名
• root_path：文件路径的相对根目录；为None时按绝对路径解析
• image_size: tuple[int, int] | None：按指定宽高等比缩放图片，可显著降低体积、内存与传输开销，适合有分辨率约束的模型
• 模型专有参数：Titan 用embeddingConfig；Cohere v3 用embedding_types，只支持单一取值，传多个值会报错

import os from haystack import Document from haystack_integrations.components.embedders.amazon_bedrock import ( AmazonBedrockDocumentImageEmbedder, ) os.environ["AWS_ACCESS_KEY_ID"] = "..." os.environ["AWS_SECRET_ACCESS_KEY"] = "..." os.environ["AWS_DEFAULT_REGION"] = "us-east-1" documents = [ Document(content="A photo of a cat", meta={"file_path": "cat.jpg"}), Document( content="Invoice page", meta={"file_path": "invoice.pdf", "mime_type": "application/pdf", "page_number": 1}, ), ] embedder = AmazonBedrockDocumentImageEmbedder( model="amazon.titan-embed-image-v1", image_size=(1024, 1024), ) result = embedder.run(documents=documents)

嵌入后的 Document 会带有meta["embedding_source"]（如{"type": "image", "file_path_meta_field": "file_path"}），便于追溯向量来源。检索阶段使用同一模型的AmazonBedrockTextEmbedder编码查询，即可与图像向量做语义匹配。

AmazonBedrockRanker：语义重排

该组件基于 Bedrock Rerank API，将文档按与查询的语义相关度从高到低排序。API 参考中列出的支持模型为cohere.rerank-v3-5:0（默认）与amazon.rerank-v1:0。初始化参数包括：

• top_k（默认10）：最多返回的文档数，run()时也可传入top_k覆盖
• max_chunks_per_doc：当文档超过 512 token 时最多拆分的块数，默认10；文档说明该参数当前未在实现中使用，仅作未来兼容预留
• meta_fields_to_embed/meta_data_separator（默认"\n"）：把 meta 字段拼接到文档内容中参与重排

from haystack import Document from haystack_integrations.components.rankers.amazon_bedrock import AmazonBedrockRanker docs = [Document(content="Paris"), Document(content="Berlin")] ranker = AmazonBedrockRanker() # 默认模型 cohere.rerank-v3-5:0 ranker.run(query="City in France", documents=docs, top_k=1)

典型的管道位置是检索器之后、Prompt 构建器之前，用于把 BM25/向量检索的粗召回结果做精排。

AmazonBedrockKnowledgeBaseRetriever：托管知识库检索

该组件直接检索 Bedrock 托管知识库，不需要 Haystack Document Store 或 Embedder——索引与向量化完全由 AWS 负责，组件只需文本查询即可。初始化时通过knowledge_base_id指定知识库 ID，也可回退到AWS_KNOWLEDGE_BASE_ID环境变量；number_of_results默认5，run()的top_k参数可覆盖它。

检索行为由use_agentic_retrieval控制：默认尝试 AgenticRetrieveStream API，不可用时回退到标准 Retrieve API；该开关默认读取USE_AGENTIC_RETRIEVAL环境变量，未设置则为True。返回的每个 Document 带有score，以及来源元数据：source（底层内容的 S3、Web、Confluence、Salesforce、SharePoint 或自定义位置）、knowledge_base_id、knowledge_base_type。

from haystack.utils import Secret from haystack_integrations.components.retrievers.amazon_bedrock import AmazonBedrockKnowledgeBaseRetriever retriever = AmazonBedrockKnowledgeBaseRetriever( knowledge_base_id="ABCDEFGHIJ", aws_region_name=Secret.from_token("eu-central-1"), ) result = retriever.run(query="What are the benefits of managed knowledge bases?") for doc in result["documents"]: print(doc.content) print(doc.meta["source"]) print(doc.score)

S3 生态：S3Downloader 与 S3Storage

S3Storage：底层存储工具类

S3Storage负责从 S3 桶下载文件的底层逻辑，构造参数为s3_bucket、session（boto3 Session）、s3_prefix（可选键前缀，如"folder/subfolder/"）、endpoint_url（可选，兼容 MinIO/LocalStack 等 S3 兼容服务）、config（botocore Config）。主要方法：

• download(key, local_file_path)：按 key 下载文件到本地，目标目录不存在会自动创建；S3 客户端创建失败抛S3ConfigurationError，文件不存在或下载失败抛S3StorageError
• close()：关闭持有的 S3 客户端
• from_env(*, session, config, s3_bucket_name_env="S3_DOWNLOADER_BUCKET")：从环境变量构建实例，读取S3_DOWNLOADER_BUCKET（必填，缺失抛ValueError）、S3_DOWNLOADER_PREFIX（可选前缀）、AWS_ENDPOINT_URL（可选自定义端点）

S3Downloader：管道级下载组件

S3Downloader把文件从 S3 下载到本地文件系统，并给 Document 回填meta["file_path"]，适用于需要本地文件路径的转换器/路由器之前。初始化参数要点：

run(documents)返回{"documents": [...]}，每个文档带有meta["file_path"]；文件名缺失或解析到根目录外的文档会被记录并跳过。warm_up()会校验桶环境变量并创建 S3 客户端，凭证无效时抛AWSConfigurationError。

最小可运行示例：

export AWS_ACCESS_KEY_ID="<your-access-key-id>" export AWS_SECRET_ACCESS_KEY="<your-secret-access-key>" export AWS_DEFAULT_REGION="<your-region>" export S3_DOWNLOADER_BUCKET="<your-bucket-name>"

from haystack.dataclasses import Document from haystack_integrations.components.downloaders.s3 import S3Downloader documents = [ Document(meta={"file_name": "report.pdf"}), Document(meta={"file_name": "data.txt"}), ] downloader = S3Downloader(file_root_path="/tmp/s3_downloads") result = downloader.run(documents=documents) for doc in result["documents"]: print(f"File downloaded to: {doc.meta['file_path']}")

结合文件类型路由与转换器的完整索引管道（完整示例见 S3Downloader 指南）：

from haystack import Pipeline from haystack.components.converters import PDFMinerToDocument from haystack.components.routers import DocumentTypeRouter from haystack.dataclasses import Document from haystack_integrations.components.downloaders.s3 import S3Downloader pipe = Pipeline() pipe.add_component( "downloader", S3Downloader(file_root_path="/tmp/s3_downloads", file_extensions=[".pdf", ".txt"]), ) pipe.add_component( "router", DocumentTypeRouter(file_path_meta_field="file_path", mime_types=["application/pdf", "text/plain"]), ) pipe.add_component("pdf_converter", PDFMinerToDocument()) pipe.connect("downloader.documents", "router.documents") pipe.connect("router.application/pdf", "pdf_converter.documents") result = pipe.run({"downloader": {"documents": [Document(meta={"file_name": "report.pdf"})]}})

AmazonBedrockTokenCounter：服务端精确 Token 计数

该组件实现 Haystack 的TokenCounter协议（见 protocol.py），通过 Bedrock 的CountTokensAPI 计数。与本地分词器计数器不同，它把输入发送到服务端，因此返回值反映模型的确切分词结果——包括 Bedrock 对消息、系统提示与工具 schema 施加的格式开销。消息与工具会按Converse格式转换（与AmazonBedrockChatGenerator完全相同的转换逻辑），所以计数结果与等价的 Converse 请求实际消耗一致。

from haystack.dataclasses import ChatMessage from haystack_integrations.token_counters.amazon_bedrock import AmazonBedrockTokenCounter counter = AmazonBedrockTokenCounter(model="anthropic.claude-3-5-sonnet-20240620-v1:0") messages = [ChatMessage.from_user("Hello, how are you?")] token_count = counter.count(messages) print(f"Token count: {token_count}")

count(messages, tools=None)的tools参数用于把随请求发送的工具 schema 一并计入。使用边界：Bedrock 会像 Converse 推理 API 一样校验输入——对话必须以 user 消息开头，工具结果必须与产生它的工具调用成对出现——因此count()适合度量「完整的合法对话」以在发送前评估整体请求大小，不适合度量孤立片段（如单条 tool-result 消息）。片段级计数应使用本地计数器ApproximateTokenCounter（见 approximate_counter.py），例如压缩器（compactor）内部对单条消息的测量。无内容可度量时返回0；CountTokens请求失败抛AmazonBedrockInferenceError。

端到端：组装 RAG 与多模态管道

标准 RAG：嵌入 → 向量检索 → Bedrock 生成

把文档嵌入器、DocumentWriter、InMemoryDocumentStore（见 in_memory）、InMemoryEmbeddingRetriever与 Bedrock 组件串联（完整示例见 DocumentEmbedder 指南）：

from haystack import Document, Pipeline from haystack.document_stores.in_memory import InMemoryDocumentStore from haystack.components.retrievers.in_memory import InMemoryEmbeddingRetriever from haystack.components.writers import DocumentWriter from haystack_integrations.components.embedders.amazon_bedrock import ( AmazonBedrockDocumentEmbedder, AmazonBedrockTextEmbedder, ) document_store = InMemoryDocumentStore(embedding_similarity_function="cosine") documents = [ Document(content="My name is Wolfgang and I live in Berlin"), Document(content="I saw a black horse running"), Document(content="Germany has many big cities"), ] indexing_pipeline = Pipeline() indexing_pipeline.add_component( "embedder", AmazonBedrockDocumentEmbedder(model="cohere.embed-english-v3") ) indexing_pipeline.add_component("writer", DocumentWriter(document_store=document_store)) indexing_pipeline.connect("embedder", "writer") indexing_pipeline.run({"embedder": {"documents": documents}}) query_pipeline = Pipeline() query_pipeline.add_component( "text_embedder", AmazonBedrockTextEmbedder(model="cohere.embed-english-v3") ) query_pipeline.add_component( "retriever", InMemoryEmbeddingRetriever(document_store=document_store) ) query_pipeline.connect("text_embedder.embedding", "retriever.query_embedding") result = query_pipeline.run({"text_embedder": {"text": "Who lives in Berlin?"}}) print(result["retriever"]["documents"][0])

多模态检索：图像嵌入 + 文本查询

索引阶段用AmazonBedrockDocumentImageEmbedder处理图片/PDF，查询阶段用同一模型的AmazonBedrockTextEmbedder（完整示例见 DocumentImageEmbedder 指南）：

indexing = Pipeline() indexing.add_component( "image_embedder", AmazonBedrockDocumentImageEmbedder(model="cohere.embed-english-v3") ) indexing.add_component("writer", DocumentWriter(document_store=document_store)) indexing.connect("image_embedder", "writer") indexing.run({"image_embedder": {"documents": documents}}) query = Pipeline() query.add_component( "text_embedder", AmazonBedrockTextEmbedder(model="cohere.embed-english-v3") ) query.add_component("retriever", InMemoryEmbeddingRetriever(document_store=document_store)) query.connect("text_embedder.embedding", "retriever.query_embedding") res = query.run({"text_embedder": {"text": "Which document shows a horse?"}})

托管知识库 RAG：跳过本地索引

当知识库已在 AWS 侧建好，管道可以完全省略嵌入与文档存储环节（完整示例见 KnowledgeBaseRetriever 指南）：

from haystack import Pipeline from haystack.components.builders import ChatPromptBuilder from haystack.dataclasses import ChatMessage from haystack.utils import Secret from haystack_integrations.components.generators.amazon_bedrock import AmazonBedrockChatGenerator from haystack_integrations.components.retrievers.amazon_bedrock import ( AmazonBedrockKnowledgeBaseRetriever, ) rag_pipeline = Pipeline() rag_pipeline.add_component( "retriever", AmazonBedrockKnowledgeBaseRetriever( knowledge_base_id="ABCDEFGHIJ", aws_region_name=Secret.from_token("eu-central-1"), ), ) rag_pipeline.add_component( "prompt_builder", ChatPromptBuilder( template=[ChatMessage.from_user( "Given these documents, answer the question.\nDocuments:\n" "{% for doc in documents %}{{ doc.content }}{% endfor %}\n" "\nQuestion: {{question}}\nAnswer:" )], required_variables="*", ), ) rag_pipeline.add_component( "llm", AmazonBedrockChatGenerator(model="global.anthropic.claude-sonnet-4-6") ) rag_pipeline.connect("retriever.documents", "prompt_builder.documents") rag_pipeline.connect("prompt_builder.prompt", "llm.messages") question = "What are the benefits of managed knowledge bases?" result = rag_pipeline.run( {"retriever": {"query": question}, "prompt_builder": {"question": question}} ) print(result["llm"]["replies"][0].text)

序列化与总结

所有组件均实现to_dict()/from_dict()，可被 Haystack Pipeline 的 YAML/JSON 序列化机制完整保存与还原（凭证以Secret形式序列化，不会明文落盘）。各组件还统一提供warm_up()（创建/校验 Bedrock 客户端）与close()（释放客户端资源）生命周期方法，适配 Haystack 的组件资源管理约定。

这套集成把 AWS 生态中的生成、嵌入、重排、托管检索、对象存储与精确计数能力收敛为与 Haystack 组件协议完全一致的接口：查询侧与文档侧嵌入模型必须保持同型号以保证向量可比；AmazonBedrockChatGenerator是唯一同时支持流式、工具调用、多模态、提示缓存与护栏的生成组件，可作为 Agent 与复杂 RAG 的核心；Token 计数则让预算控制在发送请求前即可精确完成。若需更完整的组件速查表，可对照 API 参考 及各组件用户指南逐步验证。

【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack