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

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
1.
2.
3.
选择模板： 👉 Retrieval Agent（选项 4）+ Python（选项 1）

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

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
1.
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
1.
2.
3.
4.
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
1.
2.
3.
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”
1.
2.
3.
Step 4：启动 LangGraph 服务
langgraph dev
1.
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