還在為海量數據檢索效率低下而頭疼？本文將手把手教你用 LangGraph 和 Elasticsearch 搭建一套 智能 RAG 工作流，5 步實現精準文檔問答！ 無論你是開發(fā)者還是技術決策者，都能快速構建企業(yè)級 AI 解決方案。

為什么選擇 LangGraph + Elasticsearch？

Elasticsearch 原生集成主流生成式 AI 工具，而 LangGraph 檢索代理模板 是由 LangChain 開發(fā)的開源 RAG 應用框架。兩者結合，不僅能快速構建基于多模態(tài)檢索的問答系統(tǒng)，還能通過可視化流圖顯著提升開發(fā)效率。

快速搭建指南（5 步上手）

前置條件

• Elasticsearch 8.0+（支持本地或云端）
• Python 3.9+
• LLM 接入密鑰：如 中 Cohere 中、中 OpenAI 中、中 Claude 中

Step 1：安裝 & 初始化項目

pip install --upgrade "langgraph-cli[inmem]"
mkdir lg-agent-demo && cd lg-agent-demo
langgraph new lg-agent-demo

選擇模板： ?? Retrieval Agent（選項 4）+ Python（選項 1）

模板選擇界面

若遇 SSL 錯誤，可運行安裝證書命令（Mac）：

/Applications/Python\ 3.9/Install\ Certificates.command

Step 2：環(huán)境與依賴配置

python3 -m venv lg-demo
source lg-demo/bin/activate
pip install -e .
cp .env.example .env

編輯 ??.env?? 配置文件（示例）：

ELASTICSEARCH_URL=https://your_elastic_url
ELASTICSEARCH_API_KEY=your_elastic_key
COHERE_API_KEY=your_cohere_key

Step 3：模型參數設置

修改 ??src/retrieval_graph/configuration.py?? 文件，配置使用的嵌入與生成模型：

embedding_model = "cohere/embed-english-v3.0"
query_model = "cohere/command-r-08-2024"
response_model = "cohere/command-r-08-2024"

Step 4：啟動 LangGraph 服務

langgraph dev

成功后訪問 Studio，默認包含兩個流程：

• Indexer Graph：用于文檔向量化與注入
• Retrieval Graph：用于檢索文檔并生成回答

工作流界面

?? Step 5：文檔注入 + 實時問答

注入測試數據（以 NoveTech Q1 財報為例）：

[
  {"page_content": "NoveTech Q1 2025 Revenue: $120.5M..."},
  {"page_content": "AI 市場份額增長 15%，開設兩家新辦公室..."}
]

在 Retrieval Graph 中執(zhí)行查詢：

What was NovaTech Solutions total revenue in Q1 2025?

系統(tǒng)將精準返回答案，并展示引用文檔：

增強功能：預測用戶接下來會問什么

通過添加 ??predict_query?? 節(jié)點與提示詞，系統(tǒng)可預測用戶可能的后續(xù)提問，形成更連貫的交互體驗。

提示詞樣例（位于 ??prompts.py??）：

PREDICT_NEXT_QUESTION_PROMPT = """
根據用戶最近一次提問與返回文檔，預測用戶可能會繼續(xù)提出的 3 個自然問題...
"""

界面效果如下：

為什么值得一試？

本文轉載自?????AI小智?????，作者： AI小智