基于LangGraph的开发与这类似，整个过程细节可调的地方非常多，所以做出来的东西比较专业，定制化也比较高。咱们前面的代码是通过手写Agent工作流程，实现了一个论文RAG问答系统，但是在实际生产环境中不会用这种纯手写工作逻辑项目，更多的是使用现有框架比如LangGraph和LangChain，LangChain是一种高级封装后的框架，更适合需要借助智能体完成固定任务的非专业用户，而LangGr

为什么要做配置管理，咱们再代码中写死API KEY、BASE URL、DATA路径以及模型名字，刚开始代码肯定能跑，但是有可能在日后出现问题，因为系统有可能会遇到换模型、换平台、上传服务器部署以及上Django这种情况，如果遇到，代码量又比较大，那么就得一个个改，很麻烦，所以咱们做一个配置管理，以后想要换的话，只需要修改配置文件就可以了。前面的代码默认我们的每一步都成功，但是在做工程项目的时候，我

因为涉及到大预言模型，所以语言咱们还是选择python语言，而且python语言有很多可以调用的库，都是非常强大的工具，同时这些年随着python语言的迭代，这种语言多了越来越多方便的花式写法。语言模型还是选择Openai这里其实也可以用一些国产模型或者其他模型，但是有意思的是现在基本上所有模型都能兼容openai，什么意思，意思是如果你用了openai的基座，现在市面上所有的模型你都能直接拿来用