文章目录一、概述二、四种RAG架构模式总览架构流程对比三、环境准备与项目搭建3.1 Python环境配置3.2 依赖包安装3.3 API密钥配置3.4 本地模型环境（Ollama）3.5 推荐项目目录结构四、数据处理流水线4.1 文档加载4.2 文本分割策略4.3 向量存储方案五、四种RAG模式深度实现5.1 自反思模式（Self-RAG）5.1.1 构建三大评分器5.1.2 生成链与查询重写器5.1.3 状态图定义与构建5.2 纠正性模式（CRAG）5.2.1 新增组件：网络搜索工具5.2.2 图状态差异5.2.3 关键节点实现5.2.4 图构建5.3 自适应模式（Adaptive RAG）5.3.1 路由器实现5.3.2 路由决策函数5.3.3 图构建（含路由器入口）5.3.4 Cohere 版本特殊处理5.4 智能体模式（Agentic RAG）5.4.1 检索工具定义5.4.2 智能体状态（基于消息）5.4.3 智能体节点与重写节点5.4.4 图构建六、状态机工作流设计6.1 核心概念6.2 两种状态定义模式6.3 图编译与可视化6.4 两种运行方式七、多LLM提供商集成7.1 OpenAI（默认方案）7.2 Cohere Command-R7.3 本地 Ollama7.4 嵌入模型对比八、配置管理与参数调优8.1 集中配置管理8.2 模型选择策略8.3 温度参数设置九、测试验证策略9.1 评分器单元测试9.2 端到端集成测试9.3 LangSmith 评估数据集十、故障排除指南10.1 常见问题与解决方案10.2 防止无限循环10.3 API密钥验证脚本十一、最佳实践与生产建议11.1 架构选择决策树11.2 性能优化建议11.3 生产环境六大建议11.4 本地 vs 云端方案选择十二、总结一、概述大语言模型（LLM）在自然语言处理领域展现出了惊人的能力，但也面临着知识时效性不足、领域知识有限以及容易产生幻觉等固有问题。检索增强生成（Retrieval-Augmented Generation, RAG）技术通过在生成回答前从外部知识库中检索相关文档，有效弥补了这些不足。然而，传统RAG系统通常采用固定的"检索-生成"线性流程，缺乏对检索质量和生成质量的动态评估与反馈机制。LangGraph 作为 LangChain 生态中专门用于构建有状态、多角色应用的核心框架，为RAG系统引入了图状态机的控制抽象，使得我们可以构建具备自我反思、智能路由、工具调用等高级能力的检索增强生成系统。本文将基于开源社区的最佳实践，系统地介绍 LangGraph RAG 的四种核心架构模式，并提供从零开始的完整开发指南。二、四种RAG架构模式总览在深入代码实现之前，我们先从概念层面理解四种模式的核心设计思想。模式核心思想适用场景自反思模式 (Self-RAG)自反思 + 自评分（文档相关性 + 幻觉检测 + 答案评估），通过多轮自我检查确保输出质量需要高质量、可靠回答的场景纠正