目录

一、langgraph4j工作原理

1.1 架构图及工作原理

1.2 langgraph4j与langchain4j关联和区别

二、RAG概念

2.1 RAG产生的背景

2.2  概念及工作流程

---

一、langgraph4j工作原理

1.1 架构图及工作原理

注： Node处理单元可以作为一个Agent存在；

注： Node处理单元可以访问DB,第三方API，甚至可以是一个函数等等；

整体交互流程：

1.2 langgraph4j与langchain4j关联和区别

LangGraph4j 和 LangChain4j相同点：  都是LangChain生态系统的Java实现，旨在帮助开发者利用大型语言模型（LLM）构建应用程序。本质上都是用于开发由大型语言模型LLM驱动的应用程序的框架。

LangGraph4j 和 LangChain4j差异：

LangGraph4j 和 LangChain4j 区别对比

对比特性	LangGraph4j	LangChain4j
含义	专注于构建有状态的多智能体系统，即非常适合构建多个智能体相互协作的场景，比如，任务管理、事件驱动的监控系统。	核心是“链”（Chain），即将多个LLM调用和工具调用链接在一起，形成一个有序的任务序列。其架构遵循有向无环图（DAG）结构，任务按单一方向流动，不形成循环   注： LangChain4j是LangChiain的java版本, LangChain的Lang取自Large Language Model,代表大语言模型, Chain是链式执行,即把语言模型应用中的各功能模块化,串联起来,形成一个完整的工作流
设计目的	LangGraph4j则侧重于支持复杂、有状态的多智能体系统，通过有向图模型实现高级工作流控制 注： Multi-Agent框架	LangChain4j专注于提供模块化的组件来构建基于大模型的简单应用 注：LangChain4j有顺序/并行等工作流来实现工作流控制
主要关注点	多智能体系统和非线性工作流	顺序任务执行(链)
核心关系	LangGraph4j是LangChain4j的扩展： LangGraph4j构建在LangChain4j之上，旨在解决单智能体在处理复杂任务时的局限性，通过引入状态管理、条件分支、循环和并行执行等能力，扩展了LangChain4j的基础功能	LangChain4j有顺序/并行等工作流来实现工作流控制(更倾向于实现单智能体)
架构	图： 支持循环和动态转换 LangGraph4j采用有向图结构，节点代表智能体或函数，边定义执行逻辑，支持动态控制流和多智能体协作	DAG: 有向任务，无循环 LangChain4j采用线性链式调用模式，适合预定义顺序的工作流程，如数据获取和总结任务
状态管理	强大，对所有都可访问上下文	有限： 依赖记忆组件维持上下文
组件	node edge state	Tool AiService
功能实现上	LangGraph4j允许将复杂任务分解为子任务，由不同智能体并行处理并通过共享状态图传递信息	LangChain4j更倾向于直接模块化调用
使用场景上	复杂应用： 适合需要持久状态、人机协作或多智能体交互的复杂应用，如自动化运维或研究代理。 在技术实现中，LangGraph4j通过检查点支持断点续跑和时间旅行，增强了调试和可观测性	简单应用： LangChain4j适合需要直接、模块化框架的场景，如简单任务编排

二、RAG概念

2.1 RAG产生的背景

• 无法回答实时性问题： 大模型如chatGPT是预训练模型， 直接导致了它所学习的知识不会是最新的，也就是它可能是根据半年前的数据训练的， 无法回答实时性问题。
• 无法基于企业/单位内部私有知识回答问题；RAG可以让聊天机器人访问公司内部资料，或来自权威来源的事实信息

2.2  概念及工作流程

RAG（Retrieval-Augmented Generation）的核心思想是：将传统的信息检索（IR）技术与现代的生成式大模型（如chatGPT）结合起来。

注： RAG = 生成式大模型 + 信息检索技术

‌RAG的工作流程主要包括三个阶段：‌

• 首先，「数据预处理及形成存储索引」在‌索引构建阶段‌，系统将企业或特定领域的非结构化私有知识（如文档、数据库记录）进行预处理，包括分块、向量化（使用嵌入模型转换为向量表示），并存储到向量数据库中，形成可快速检索的索引；
• 其次，「在‌检索增强阶段‌」，当用户提出问题时，系统会将查询同样转换为向量，并在向量数据库中通过语义搜索（如余弦相似度匹配）找到最相关的知识片段(目标是找到那些可能包含答案或相关信息的文档)，此阶段可能包含重排序组件以优化结果精度；

        注意：不一定必须使用向量数据库，可以是关系型数据库（如MySQL）或全文搜索引擎（如Elasticsearch, ES）。但RAG中一般是向量数据库，因为RAG主要涉及要查询相似度高的某几个文档，而不是精确查询。

• 最后，「在‌生成输出阶段‌」，系统将检索到的上下文与用户问题组合成提示词，输入给大语言模型生成答案，模型严格基于提供的事实进行推理以减少幻觉，并可能添加引用标注以确保透明度。注意使用合适的提示词,比如，问题是X, 检索增强查询到的结果是Y,给大模型的输入类似： 请基于Y回答X. 

提示词大致长这样："基于如下信息进行回答:  "{{context}}，" + "回答提问问题{{question}}"

上述三个过程如图所示：

例子，