超強 RAG 工作流實戰：LangGraph + Elasticsearch 強強聯手，讓 AI 檢索效率飆升 300%！
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 開發的開源 RAG 應用框架。兩者結合，不僅能快速構建基于多模態檢索的問答系統，還能通過可視化流圖顯著提升開發效率。
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
1.
2.
3.
選擇模板： ?? Retrieval Agent（選項 4）+ Python（選項 1）
超強 RAG 工作流實戰：LangGraph + Elasticsearch 強強聯手，讓 AI 檢索效率飆升 300%！-AI.x社區
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
1.
Step 2：環境與依賴配置
python3 -m venv lg-demo
source lg-demo/bin/activate
pip install -e .
cp .env.example .env
1.
2.
3.
4.
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
1.
2.
3.
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”
1.
2.
3.
Step 4：啟動 LangGraph 服務
langgraph dev
1.
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
