Valiners的博客

问题原因解决方案Langfuse 启动报 500不是 64 位 hex用生成langfuse显示 disabledSDK 未安装import 报错Langfuse v4 改了 import 路径改用Handler 创建成功但 Trace 页面无数据v4 不再通过构造函数传 secret_key改用环境变量不生效restart 不重新读取 yml用downup代替。

检索回来 5 篇文档，其中 2 篇完全不相关，LLM 被噪声干扰，回答质量下降LLM 明明检索到了正确内容，回答里却掺了编造的信息（幻觉）整个流程是线性的，检索不好 → 生成就差，没有任何纠错机会不同文档适合不同的切分策略，但每次都要手动试线性 Chain 缺乏决策和反馈能力。数据从头流到尾，中间出了问题只能在最终结果里发现。LangGraph 解决的就是这个问题——把 RAG 流程建模为状态图，每个步骤是一个节点，节点之间可以有条件分支、循环重试、兜底降级。

从零拆解一个 RAG 系统：基于 LangChain + Chroma + DeepSeek 的学习笔记那个版本用 LCEL 链式调用实现了完整的 RAG 流程：文档切分 → 向量入库 → 混合检索 → LLM 生成。跑通之后我开始想：LangChain 的链式管道是线性的，一路到底没有回头路。如果检索到的文档不相关怎么办？如果 LLM 的回答是编的怎么办？这就引出了 LangGraph——它把 RAG 从"管道"升级为"状态图"，支持条件分叉、循环重试和兜底路径。

RAG 的核心思路并不复杂——先搜后答。切分决定了知识库的"颗粒度"检索决定了能不能找到对的内容Prompt决定了大模型能不能好好利用这些内容这个项目的价值在于，它把这些环节都做成了可配置、可对比的，非常适合用来学习和实验。如果你也在学 RAG，建议把项目跑起来，多试几种参数组合，看看效果的变化，比光看文档理解深刻得多。📌 本文基于个人学习实践整理，如有错误欢迎指正。