超强 RAG 工作流实战：LangGraph + Elasticsearch 强强联手，让 AI 检索效率飙升 300%！

还在为海量数据检索效率低下而头疼？本文将手把手教你用 LangGraph 和 Elasticsearch 搭建一套 智能 RAG 工作流，5 步实现精准文档问答！ 无论你是开发者还是技术决策者，都能快速构建企业级 AI 解决方案。

为什么选择 LangGraph + Elasticsearch？

Elasticsearch 原生集成主流生成式 AI 工具，而 LangGraph 检索代理模板 是由 LangChain 开发的开源 RAG 应用框架。两者结合，不仅能快速构建基于多模态检索的问答系统，还能通过可视化流图显著提升开发效率。

快速搭建指南（5 步上手）

前置条件

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

Step 1：安装 & 初始化项目

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

选择模板： 👉 Retrieval Agent（选项 4）+ Python（选项 1）

模板选择界面

若遇 SSL 错误，可运行安装证书命令（Mac）：

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

Step 2：环境与依赖配置

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

编辑 ​​.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：模型参数设置

修改 ​​src/retrieval_graph/configuration.py​​ 文件，配置使用的嵌入与生成模型：

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

Step 4：启动 LangGraph 服务

langgraph dev

成功后访问 Studio，默认包含两个流程：

• Indexer Graph：用于文档向量化与注入
• Retrieval Graph：用于检索文档并生成回答

工作流界面

🛠 Step 5：文档注入 + 实时问答

注入测试数据（以 NoveTech Q1 财报为例）：

[
  {"page_content": "NoveTech Q1 2025 Revenue: $120.5M..."},
  {"page_content": "AI 市场份额增长 15%，开设两家新办公室..."}
]

在 Retrieval Graph 中执行查询：

What was NovaTech Solutions total revenue in Q1 2025?

系统将精准返回答案，并展示引用文档：

增强功能：预测用户接下来会问什么

通过添加 ​​predict_query​​ 节点与提示词，系统可预测用户可能的后续提问，形成更连贯的交互体验。

提示词样例（位于 ​​prompts.py​​）：

PREDICT_NEXT_QUESTION_PROMPT = """
根据用户最近一次提问与返回文档，预测用户可能会继续提出的 3 个自然问题...
"""

界面效果如下：

为什么值得一试？

本文转载自​​​​​AI小智​​​​​，作者： AI小智