在工程领域，尤其是桥梁、建筑等基础设施的运维管理中，如何从海量的规范文档和巡检报告中快速、准确地找到所需信息，是工程师们长期面临的痛点。传统的关键词搜索往往只能找到包含特定词汇的文档，却无法理解问题的深层含义和实体间的复杂关系，导致信息检索效率低下且容易遗漏关键关联。本文将介绍如何利用 LangChain 框架，结合知识图谱（Neo4j）与大语言模型（LLM），构建一个面向“桥梁规范与巡检报告”的智能问答系统。通过 GraphRAG（图检索增强生成）技术，系统不仅能理解自然语言提问，还能从结构化的知识图谱中精准检索相关实体和关系，生成准确、有据可依的答案。无论你是想了解智能体（Agent）工作流编排，还是希望将 GraphRAG 应用于垂直领域知识管理，本文都将提供从原理到部署的完整实战指南。

1. 背景与核心概念

在深入代码之前，我们需要厘清几个核心概念及其在本系统中的作用。

1.1 什么是 LangChain 与智能体（Agent）？

LangChain 是一个用于开发由大语言模型驱动的应用程序的框架。它并非一个单一的模型，而是一个“粘合剂”和“工具箱”，帮助开发者将 LLM 与外部数据源、计算工具、记忆系统等连接起来，构建功能复杂的应用。

智能体（Agent）是 LangChain 中的一个核心概念。你可以将其理解为一个具备“思考”和“行动”能力的智能程序。它根据用户的输入（问题）、自身的“记忆”（历史对话或知识）以及可用的“工具”（如搜索、计算、查询数据库），自主决定下一步该做什么（调用哪个工具），并整合工具返回的结果，最终生成给用户的回答。在本系统中，Agent 负责协调整个问答流程：理解问题、决定是否需要查询知识图谱、如何查询、以及如何组织答案。

1.2 知识图谱与 Neo4j

知识图谱是一种用图结构来建模和存储知识的数据库。它由“节点”（实体，如“XX大桥”、“混凝土裂缝”）和“边”（关系，如“位于”、“属于”、“表现为”）组成。这种结构非常擅长表达实体间丰富、复杂的关系。

Neo4j是目前最流行的原生图数据库之一。它使用 Cypher 查询语言，其语法直观地匹配图模式，使得查询关系数据变得非常高效和简单。在我们的系统中，Neo4j 将存储所有关于桥梁规范条款、巡检报告条目、桥梁部件、缺陷类型等实体及其相互关系。

1.3 GraphRAG：图检索增强生成

RAG（检索增强生成）已成为解决 LLM 知识滞后与幻觉问题的主流方案。传统的 RAG 通常基于向量数据库进行语义检索，但它检索的是“相似的文本片段”，可能丢失重要的结构化关系信息。

GraphRAG是 RAG 的一种演进形式，它利用知识图谱进行检索。其核心优势在于：

1. 关系感知检索：不仅能找到与问题相关的实体，还能沿着图中的关系路径，找到与之相连的其他相关实体。例如，询问“桥墩裂缝如何处理？”，系统不仅能找到“裂缝”实体，还能通过关系找到与之相关的“处理工艺”、“规范条款”、“历史案例”等。
2. 可解释性：检索结果基于清晰的图结构（节点和边），使得答案的生成过程更具可解释性。我们可以追溯是哪些实体和关系支撑了最终答案。
3. 多跳推理：支持通过多步关系进行推理。例如，“找到所有在2023年巡检中发现裂缝的桥梁，并列出其对应的养护部门”。

本系统正是基于 GraphRAG 范式，将用户的自然语言问题，转化为对 Neo4j 知识图谱的查询，检索出相关的子图，再将此结构化信息与问题一同提交给 LLM，生成最终的自然语言答案。

2. 环境准备与版本说明

本项目是一个 Python 应用程序，主要依赖 LangChain 生态和 Neo4j 数据库。

2.1 软件与环境

• 操作系统：Windows 10/11, macOS, 或 Linux (Ubuntu 20.04+)。本文演示基于 macOS/Linux 环境，Windows 用户请注意路径差异。
• Python：版本 3.9 或 3.10。推荐使用 3.10 以保证依赖兼容性。可使用python --version检查。
• 包管理工具：pip(Python 3.10 通常自带)。
• 数据库：Neo4j 数据库。我们将使用Neo4j AuraDB（云托管免费版）或Neo4j Desktop（本地安装）进行演示。Neo4j 5.x 版本均可。
• 大语言模型：我们将使用 OpenAI 的 GPT 模型（如 gpt-3.5-turbo）作为 LLM 核心。你需要准备一个有效的 OpenAI API Key。也可以替换为其他兼容 OpenAI API 的模型（如 DeepSeek、智谱AI等）。

2.2 创建项目与安装依赖

首先，创建一个新的项目目录并进入。

mkdir bridge-qa-system && cd bridge-qa-system

建议创建一个 Python 虚拟环境来隔离依赖。

python -m venv venv # 激活虚拟环境 # macOS/Linux: source venv/bin/activate # Windows: # venv\Scripts\activate

创建requirements.txt文件，并填入以下核心依赖：

langchain==0.1.0 langchain-community==0.0.10 langchain-openai==0.0.5 langchain-experimental==0.0.49 # 包含一些实验性图功能 neo4j==5.14.0 python-dotenv==1.0.0 openai==1.6.1 tiktoken==0.5.2

然后安装依赖：

pip install -r requirements.txt

版本说明：LangChain 版本迭代较快，以上版本为撰写本文时的稳定版本。若遇到兼容性问题，可尝试调整版本。核心是确保langchain,langchain-community,langchain-openai和neo4j驱动能协同工作。

2.3 配置 Neo4j 数据库

方案一：使用 Neo4j AuraDB（免费云数据库，推荐新手）

1. 访问 Neo4j Aura 官网注册账号。
2. 创建一个免费的 AuraDB 实例（如 “Free” 套餐）。
3. 创建完成后，你会获得一个连接 URI（格式如neo4j+s://xxxx.databases.neo4j.io）、用户名（默认为neo4j）和密码。请妥善保存。

方案二：使用 Neo4j Desktop（本地安装）

1. 从 Neo4j 官网下载 Neo4j Desktop 并安装。
2. 创建一个新的本地数据库，设置名称和密码。
3. 启动数据库，其默认的 Bolt 连接 URI 通常是bolt://localhost:7687，用户为neo4j，密码为你设置的密码。

2.4 配置环境变量

在项目根目录创建.env文件，用于存储敏感信息，避免硬编码在代码中。

# .env 文件 OPENAI_API_KEY=你的OpenAI_API_Key NEO4J_URI=你的Neo4j连接URI NEO4J_USERNAME=neo4j NEO4J_PASSWORD=你的Neo4j密码

3. 系统核心原理与架构拆解

在开始编码前，理解系统如何运作至关重要。下图展示了核心工作流：

用户提问 ↓ [LangChain Agent] ↓ (决策：需要查询图谱) [Graph Retrieval Tool] ↓ (将问题转为Cypher查询) [Neo4j Knowledge Graph] ↓ (返回相关子图-节点和边) [Response Synthesis] ↓ (将子图信息与问题结合) [LLM (e.g., GPT)] ↓ 生成最终答案

3.1 知识图谱数据模型设计

对于“桥梁规范与巡检报告”领域，我们需要设计一个贴合业务的知识图谱模型。以下是一个简化的示例模型：

• 节点类型（标签）:

  • Bridge: 桥梁，属性有id,name,location,build_year。
  • InspectionReport: 巡检报告，属性有report_id,date,inspector。
  • Defect: 缺陷，属性有id,description,severity。
  • Specification: 规范条款，属性有code,title,content。
  • Component: 桥梁部件，属性有type(如Deck,Pier,Abutment)。
  • MaintenanceAction: 养护措施，属性有action,standard。

• 关系类型:

  • HAS_REPORT：Bridge->InspectionReport（桥梁拥有巡检报告）
  • IDENTIFIES：InspectionReport->Defect（报告识别出缺陷）
  • LOCATED_IN：Defect->Component（缺陷位于部件上）
  • GOVERNED_BY：Defect或Component->Specification（受规范条款约束）
  • REQUIRES：Defect->MaintenanceAction（缺陷需要某种养护措施）
  • REFERS_TO：Specification->Specification（规范条款相互引用）

这个模型允许我们进行复杂的查询，例如：“查询所有桥墩存在裂缝的桥梁，并列出对应的规范要求和推荐养护措施”。

3.2 LangChain 中的图检索工具（Graph Retrieval Tool）

这是实现 GraphRAG 的关键。我们需要创建一个工具，其功能是：接受自然语言问题，自动（或半自动）将其转换为 Cypher 查询语句，在 Neo4j 中执行，并将返回的图数据（节点和关系列表）格式化为文本，供 LLM 理解。

LangChain 社区提供了Neo4jGraph和GraphCypherQAChain等组件来简化这一过程。GraphCypherQAChain内部集成了一个 LLM，专门用于将问题转换为 Cypher 查询，但它可能不够灵活。在智能体工作流中，我们更倾向于将其封装成一个独立的Tool，由 Agent 来调度。

4. 完整实战：构建桥梁智能问答系统

现在，我们将一步步实现这个系统。

4.1 初始化 Neo4j 图数据库连接

首先，我们编写一个模块来连接 Neo4j。创建文件graph_db.py。

# graph_db.py from langchain_community.graphs import Neo4jGraph from dotenv import load_dotenv import os load_dotenv() # 加载 .env 文件中的环境变量 def init_neo4j_graph(): """ 初始化并返回一个连接到 Neo4j 的图对象。 此对象用于执行 Cypher 查询和获取图模式信息。 """ graph = Neo4jGraph( url=os.getenv("NEO4J_URI"), username=os.getenv("NEO4J_USERNAME"), password=os.getenv("NEO4J_PASSWORD"), ) # 可选：刷新图模式信息，让 LangChain 了解数据库中有哪些节点和关系标签 graph.refresh_schema() print("Neo4j 图数据库连接成功，模式已刷新。") return graph if __name__ == "__main__": # 测试连接 graph = init_neo4j_graph() # 打印当前图的模式（节点和关系类型） print(graph.schema)

运行python graph_db.py测试连接是否成功。如果成功，会打印出数据库的模式信息（可能是空的，因为我们还没导入数据）。

4.2 构建知识图谱（数据导入）

我们需要向空的 Neo4j 数据库中导入示例数据。创建import_data.py文件。这里我们使用 Cypher 语句直接创建节点和关系。

# import_data.py from graph_db import init_neo4j_graph def import_sample_data(): graph = init_neo4j_graph() # 清空现有数据（生产环境慎用！） graph.query("MATCH (n) DETACH DELETE n") print("已清空旧数据。") # 定义示例数据导入的 Cypher 语句 cypher_statements = [ # 创建桥梁 """ CREATE (b1:Bridge {id: 'B001', name: '新华大桥', location: 'A市', build_year: 2005}), (b2:Bridge {id: 'B002', name: '胜利大桥', location: 'B市', build_year: 2010}) """, # 创建巡检报告 """ CREATE (r1:InspectionReport {report_id: 'R2023001', date: '2023-05-10', inspector: '张三'}), (r2:InspectionReport {report_id: 'R2023002', date: '2023-08-22', inspector: '李四'}) """, # 创建缺陷 """ CREATE (d1:Defect {id: 'D001', description: '混凝土表面纵向裂缝', severity: '中等'}), (d2:Defect {id: 'D002', description: '钢筋局部锈蚀', severity: '轻微'}), (d3:Defect {id: 'D003', description: '支座位移超限', severity: '严重'}) """, # 创建规范条款 """ CREATE (s1:Specification {code: 'JTG H20-2015 4.2.1', title: '裂缝宽度限值', content: '钢筋混凝土构件受拉区裂缝宽度不得大于0.2mm。'}), (s2:Specification {code: 'JTG H20-2015 5.3.3', title: '锈蚀处理', content: '发现钢筋锈蚀应及时除锈并做防腐处理。'}), (s3:Specification {code: 'JTG H20-2015 6.1.2', title: '支座检查', content: '应定期检查支座位移和变形情况。'}) """, # 创建部件 """ CREATE (c1:Component {type: '主梁'}), (c2:Component {type: '桥墩'}), (c3:Component {type: '支座'}) """, # 创建养护措施 """ CREATE (m1:MaintenanceAction {action: '表面封闭处理', standard: '采用环氧树脂灌缝'}), (m2:MaintenanceAction {action: '除锈防腐', standard: 'Sa2.5级喷砂除锈后涂装'}), (m3:MaintenanceAction {action: '支座调整或更换', standard: '根据设计单位方案进行'}) """, # 建立关系 """ MATCH (b:Bridge {id: 'B001'}), (r:InspectionReport {report_id: 'R2023001'}) CREATE (b)-[:HAS_REPORT]->(r) """, """ MATCH (b:Bridge {id: 'B002'}), (r:InspectionReport {report_id: 'R2023002'}) CREATE (b)-[:HAS_REPORT]->(r) """, """ MATCH (r:InspectionReport {report_id: 'R2023001'}), (d:Defect {id: 'D001'}) CREATE (r)-[:IDENTIFIES]->(d) """, """ MATCH (r:InspectionReport {report_id: 'R2023001'}), (d:Defect {id: 'D002'}) CREATE (r)-[:IDENTIFIES]->(d) """, """ MATCH (r:InspectionReport {report_id: 'R2023002'}), (d:Defect {id: 'D003'}) CREATE (r)-[:IDENTIFIES]->(d) """, """ MATCH (d:Defect {id: 'D001'}), (c:Component {type: '桥墩'}) CREATE (d)-[:LOCATED_IN]->(c) """, """ MATCH (d:Defect {id: 'D002'}), (c:Component {type: '主梁'}) CREATE (d)-[:LOCATED_IN]->(c) """, """ MATCH (d:Defect {id: 'D003'}), (c:Component {type: '支座'}) CREATE (d)-[:LOCATED_IN]->(c) """, """ MATCH (d:Defect {id: 'D001'}), (s:Specification {code: 'JTG H20-2015 4.2.1'}) CREATE (d)-[:GOVERNED_BY]->(s) """, """ MATCH (d:Defect {id: 'D002'}), (s:Specification {code: 'JTG H20-2015 5.3.3'}) CREATE (d)-[:GOVERNED_BY]->(s) """, """ MATCH (d:Defect {id: 'D003'}), (s:Specification {code: 'JTG H20-2015 6.1.2'}) CREATE (d)-[:GOVERNED_BY]->(s) """, """ MATCH (d:Defect {id: 'D001'}), (m:MaintenanceAction {action: '表面封闭处理'}) CREATE (d)-[:REQUIRES]->(m) """, """ MATCH (d:Defect {id: 'D002'}), (m:MaintenanceAction {action: '除锈防腐'}) CREATE (d)-[:REQUIRES]->(m) """, """ MATCH (d:Defect {id: 'D003'}), (m:MaintenanceAction {action: '支座调整或更换'}) CREATE (d)-[:REQUIRES]->(m) """, ] for stmt in cypher_statements: try: graph.query(stmt) except Exception as e: print(f"执行语句时出错: {stmt[:50]}... \n错误: {e}") print("示例数据导入完成！") # 再次打印模式，现在应该能看到所有标签和关系 print("\n当前图谱模式：") print(graph.schema) if __name__ == "__main__": import_sample_data()

运行python import_data.py，将示例数据导入 Neo4j。你可以在 Neo4j Browser（AuraDB 或 Desktop 都提供）中可视化查看导入的图谱。

4.3 创建图检索工具（Graph Retrieval Tool）

这是实现 GraphRAG 的核心。我们创建一个自定义工具，它利用 LLM 将问题转换为 Cypher 查询。创建graph_retrieval_tool.py。

# graph_retrieval_tool.py from langchain.tools import Tool from langchain.chains import GraphCypherQAChain from langchain_openai import ChatOpenAI from graph_db import init_neo4j_graph import os from dotenv import load_dotenv load_dotenv() class GraphQAChainTool: """封装 GraphCypherQAChain 为 LangChain Tool 的工具类。""" def __init__(self): self.llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0, # 温度设为0，使生成更确定，适合查询生成 openai_api_key=os.getenv("OPENAI_API_KEY") ) self.graph = init_neo4j_graph() # 初始化 GraphCypherQAChain self.cypher_chain = GraphCypherQAChain.from_llm( llm=self.llm, graph=self.graph, verbose=True, # 设置为 True 可以看到链的思考过程，调试时很有用 allow_dangerous_requests=True # 允许执行写入操作，仅用于演示，生产环境需严格控制 ) def run(self, query: str) -> str: """ 执行图检索问答。 参数: query: 用户的自然语言问题。 返回: 基于图谱检索结果生成的答案。 """ try: result = self.cypher_chain.run(query) return result except Exception as e: return f"查询图谱时出现错误：{str(e)}。请确保问题与桥梁规范或巡检报告相关，并尝试重新表述。" def get_graph_retrieval_tool(): """创建并返回一个 LangChain Tool 实例。""" tool_instance = GraphQAChainTool() return Tool( name="Bridge_Knowledge_Graph", func=tool_instance.run, description="""专门用于查询桥梁工程领域知识图谱的工具。 当用户的问题涉及桥梁信息、巡检报告内容、缺陷类型、规范条款或养护措施时，使用此工具。 输入应为清晰的自然语言问题。 例如： - '新华大桥有哪些缺陷？' - '混凝土裂缝对应的规范要求是什么？' - '支座位移超限应该采取什么养护措施？' """ ) if __name__ == "__main__": # 测试工具 tool = get_graph_retrieval_tool() test_question = "新华大桥有哪些缺陷？严重程度如何？" print(f"测试问题: {test_question}") answer = tool.run(test_question) print(f"工具回答: {answer}")

这个工具的核心是GraphCypherQAChain。它会：

1. 根据图谱模式（schema）和用户问题，让 LLM 生成一个可能的 Cypher 查询。
2. 在 Neo4j 中执行该查询。
3. 将查询结果（图数据）和原始问题再次交给 LLM，生成最终的自然语言答案。

4.4 构建智能体（Agent）工作流

现在，我们将图检索工具整合进一个智能体中，让 Agent 来决定何时使用这个工具。创建bridge_qa_agent.py。

# bridge_qa_agent.py from langchain.agents import initialize_agent, AgentType from langchain_openai import ChatOpenAI from graph_retrieval_tool import get_graph_retrieval_tool import os from dotenv import load_dotenv load_dotenv() def create_bridge_qa_agent(): """ 创建并返回一个用于桥梁问答的智能体。 该智能体可以使用图检索工具和通用对话能力。 """ # 1. 初始化 LLM llm = ChatOpenAI( model="gpt-3.5-turbo", temperature=0, # 较低的 temperature 使回答更稳定 openai_api_key=os.getenv("OPENAI_API_KEY") ) # 2. 准备工具列表 tools = [get_graph_retrieval_tool()] # 未来可以添加更多工具，如计算器、网络搜索等 # from langchain.utilities import SerpAPIWrapper # tools.append(Tool(name="Search", func=SerpAPIWrapper().run, description="用于搜索最新信息")) # 3. 初始化智能体 # 使用 ZERO_SHOT_REACT_DESCRIPTION 代理类型，它基于 ReAct 框架，适合工具使用。 agent = initialize_agent( tools=tools, llm=llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True, # 打印 Agent 的思考过程，便于调试 handle_parsing_errors=True, # 优雅地处理解析错误 max_iterations=3, # 限制最大迭代次数，防止死循环 early_stopping_method="generate" # 提前停止策略 ) return agent def run_agent_interactive(): """以交互模式运行智能体。""" agent = create_bridge_qa_agent() print("桥梁规范与巡检报告智能问答系统已启动！") print("输入 'quit' 或 'exit' 退出。") print("-" * 50) while True: try: user_input = input("\n您的问题: ").strip() if user_input.lower() in ['quit', 'exit', 'q']: print("再见！") break if not user_input: continue response = agent.run(user_input) print(f"\n系统回答: {response}") except KeyboardInterrupt: print("\n程序被中断。") break except Exception as e: print(f"\n处理问题时发生错误: {e}") if __name__ == "__main__": run_agent_interactive()

4.5 运行与验证

现在，让我们运行整个系统。在终端执行：

python bridge_qa_agent.py

系统启动后，尝试提出一些问题：

1. 简单实体查询：“新华大桥有哪些缺陷？”

   • 预期：Agent 会调用图检索工具，工具生成类似MATCH (b:Bridge {name:'新华大桥'})-[:HAS_REPORT]->()-[:IDENTIFIES]->(d:Defect) RETURN d.description, d.severity的查询，并返回结果。

2. 关系与规范查询：“混凝土裂缝对应的规范要求是什么？”

   • 预期：工具会尝试匹配“混凝土裂缝”缺陷，并找到与之关联的GOVERNED_BY关系，返回规范条款内容。

3. 多跳推理查询：“支座位移超限应该采取什么养护措施？依据哪条规范？”

   • 预期：这是一个更复杂的问题。工具需要找到“支座位移超限”缺陷，然后通过REQUIRES关系找到养护措施，同时通过GOVERNED_BY关系找到规范，并将两者整合进答案。

4. 非图谱问题：“你好，请介绍一下你自己。”

   • 预期：Agent 发现这个问题不需要使用图检索工具，会直接利用 LLM 的基础对话能力进行回答。

观察控制台的verbose输出，你可以看到 Agent 的思考过程（Thought）、决定使用的工具（Action）、工具输入（Action Input）、工具输出（Observation）以及最终答案（Final Answer）。这正是智能体工作流编排的直观体现。

5. 常见问题与排查思路

在构建和运行此类系统时，你可能会遇到以下问题：

6. 最佳实践与工程建议

将原型系统投入生产环境或进行深度开发时，请考虑以下建议：

1. 图谱设计优化：

   • 属性索引：为高频查询的属性（如Bridge.name,Defect.description,Specification.code）创建索引，大幅提升查询速度。

   CREATE INDEX bridge_name_index IF NOT EXISTS FOR (b:Bridge) ON (b.name); CREATE INDEX defect_desc_index IF NOT EXISTS FOR (d:Defect) ON (d.description);

   • 关系方向性：精心设计关系的方向，使其更符合业务语义，这能使 Cypher 查询更直观。
   • 数据质量：建立数据清洗和验证流程，确保导入图谱的数据准确、一致。

2. 提示工程（Prompt Engineering）：

   • 定制 Cypher 生成提示：GraphCypherQAChain默认的提示可能不适合你的特定图谱。你应该提供一个包含详细图谱模式、关系示例和 Cypher 示例的提示模板，引导 LLM 生成更准确的查询。
   • 定制答案合成提示：同样，可以定制合成最终答案的提示词，要求 LLM 严格基于提供的上下文（检索结果）作答，并注明信息来源，减少幻觉。

3. 智能体工作流增强：

   • 工具扩展：除了图检索，可以集成其他工具，如向量数据库检索（用于非结构化文档）、专业计算器、外部 API（如天气、材料价格）等，使 Agent 能力更全面。
   • 使用 LangGraph：对于需要严格步骤控制、循环或复杂状态管理的场景，LangGraph是比基础 Agent 更强大的选择。它可以让你以图的形式精确编排工作流。
   • 记忆（Memory）：为 Agent 添加对话记忆，使其能理解上下文，处理如“上一座桥的养护措施是什么？”这样的指代性问题。

4. 性能与安全：

   • 查询超时与重试：对 Neo4j 查询和 LLM API 调用设置超时和重试机制。
   • 限制 Cypher 权限：生产环境中，用于应用程序的数据库用户应只有读取（MATCH）权限，避免误操作或注入攻击。allow_dangerous_requests应设为False。
   • API 密钥管理：使用环境变量或专业的密钥管理服务，切勿将密钥提交到代码仓库。
   • 限流与缓存：对 LLM API 调用进行限流，并对常见查询的结果进行缓存，以控制成本和提升响应速度。

5. 评估与迭代：

   • 构建测试集：准备一组涵盖不同问题类型（简单查询、多跳推理、模糊查询）的标准问题及其预期答案。
   • 定期评估：运行测试集，评估系统的准确率、召回率和答案质量。重点关注检索失败和幻觉案例。
   • 持续优化：根据评估结果，迭代优化图谱数据、提示词、工具描述和 Agent 配置。

通过本文的实践，你已经掌握了使用 LangChain、Neo4j 和 LLM 构建领域智能问答系统的核心流程。从环境搭建、数据建模、工具封装到智能体编排，每一步都旨在将前沿的 GraphRAG 技术落地解决实际业务问题。这套架构具有很强的扩展性，你可以轻松地将知识图谱的主题从“桥梁”替换为“医疗”、“金融”、“法律”等任何垂直领域，只需重新设计图谱模型和导入领域数据即可。接下来，你可以尝试集成更复杂的 Agent 逻辑、加入非结构化文档的向量检索实现混合检索、或者利用 LangGraph 构建更稳健的多步骤工作流，进一步提升系统的智能水平和实用性。