百宝箱

以下是两种方案的核心用法，结合你的技术栈（FastAPI + Elasticsearch + Neo4j）：

方案一：LangChain + Claude API

安装

pip install langchain langchain-anthropic langchain-elasticsearch

基础 RAG 链

from langchain_anthropic import ChatAnthropic
from langchain_elasticsearch import ElasticsearchStore
from langchain.chains import RetrievalQA
from langchain_core.prompts import ChatPromptTemplate

# 1. 连接 Claude
llm = ChatAnthropic(
model=”claude-sonnet-4-20250514″,
api_key=”your_api_key”,
temperature=0.3
)

# 2. 连接你的 Elasticsearch 向量库
vectorstore = ElasticsearchStore(
es_url=”http://localhost:9200“,
index_name=”ministry_docs”,
embedding=your_embedding_model
)

# 3. 定义 Prompt（可嵌入你的 Q五步框架）
prompt = ChatPromptTemplate.from_template(“””
你是服事话语分析助手。根据以下上下文回答问题。

上下文：{context}
问题：{question}
“””)

# 4. 组装 RAG 链
chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=vectorstore.as_retriever(search_kwargs={“k”: 5}),
chain_type_kwargs={“prompt”: prompt}
)

# 5. 调用
result = chain.invoke({“query”: “神圣经纶的核心是什么？”})

接入 Neo4j（GraphRAG）

from langchain_community.graphs import Neo4jGraph
from langchain.chains import GraphCypherQAChain

graph = Neo4jGraph(
url=”bolt://localhost:7687″,
username=”neo4j”,
password=”your_password”
)

graph_chain = GraphCypherQAChain.from_llm(
llm=llm,
graph=graph,
verbose=True
)

result = graph_chain.invoke(“倪柝声与李常受的神学传承关系？”)

方案二：LlamaIndex + Claude API（更适合复杂 RAG）

安装

pip install llama-index llama-index-llms-anthropic llama-index-vector-stores-elasticsearch

基础用法

from llama_index.llms.anthropic import Anthropic
from llama_index.core import VectorStoreIndex, Settings
from llama_index.vector_stores.elasticsearch import ElasticsearchStore

# 1. 全局设置 Claude 为默认 LLM
Settings.llm = Anthropic(
model=”claude-sonnet-4-20250514″,
api_key=”your_api_key”
)

# 2. 连接 Elasticsearch
vector_store = ElasticsearchStore(
index_name=”ministry_docs”,
es_url=”http://localhost:9200”
)

# 3. 建立索引
index = VectorStoreIndex.from_vector_store(vector_store)

# 4. 创建查询引擎
query_engine = index.as_query_engine(similarity_top_k=5)

response = query_engine.query(“基督作为生命的分赐如何体现？”)

混合检索（向量 + 关键词）

from llama_index.core.retrievers import QueryFusionRetriever
from llama_index.retrievers.bm25 import BM25Retriever

# 融合向量检索 + BM25 关键词检索
retriever = QueryFusionRetriever(
[vector_retriever, bm25_retriever],
similarity_top_k=5,
num_queries=3, # 自动生成多角度查询
mode=”reciprocal_rerank”
)

接入 FastAPI（生产部署）

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class QueryRequest(BaseModel):
question: str
top_k: int = 5

@app.post(“/ministry/query”)
async def query_ministry(req: QueryRequest):
# 可在此切换 LangChain 或 LlamaIndex 引擎
result = await chain.ainvoke({“query”: req.question})
return {
“answer”: result[“result”],
“sources”: result.get(“source_documents”, [])
}

两者对比（针对你的项目）

建议：用 LlamaIndex 做检索层（文档处理更精细），用 LangChain 做 Agent 层（工具编排更灵活），两者可混用，共同接 Claude API。

需要我写一个完整的 PanAI RAG 架构示例吗？