摘要：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。
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。
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。
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.commandpython3 -m venv lg-demosource lg-demo/bin/activatepip install -e .cp .env.example .env编辑 .env 配置文件（示例）：
ELASTICSEARCH_URL=https://your_elastic_urlELASTICSEARCH_API_KEY=your_elastic_keyCOHERE_API_KEY=your_cohere_key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"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
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：
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：
github地址：
时光印记-墓碑码(永久保存分享查看)：https://time.y-p.cc
&云片
来源：AIGC研究社一点号
