项目经验包装

面试时把 LangChain/LangGraph 项目经历写好的技巧。本文帮你把做过的功能组织成有深度、有亮点的项目描述。

项目描述模板

通用模板

## 项目名称

技术栈：Python / LangChain / LangGraph / FastAPI / PostgreSQL

项目描述：
构建了一个基于 LLM 的 [智能助手/客服系统/RAG问答] 系统，实现了
[核心功能描述]。

核心职责：
- 设计并实现了 [关键模块] 的工作流
- 解决了 [具体难点] 的问题
- 搭建了 [监控/评估] 体系

技术亮点：
1. [亮点1]
2. [亮点2]
3. [亮点3]

示例：客服 Agent

## AI 客服助手系统

技术栈：Python / LangChain / LangGraph / Claude / FastAPI / PostgreSQL

项目描述：
为公司客服团队构建了一个 AI 客服助手，能够自动处理 80% 的常见问
题，将复杂问题升级给人工客服，支持多轮对话和上下文记忆。

核心职责：
- 使用 LangGraph StateGraph 搭建了分类→检索→生成→审批的工作流
- 实现了基于文档的 RAG 问答，检索准确率 92%
- 设计了人工审批流程（Interrupt），关键操作需人工确认
- Postgres Checkpointer 实现对话持久化

技术亮点：
1. **多源召回**：结合向量检索和 BM25 关键词，实现多路召回 + 重排序
2. **容错机制**：LLM 调用失败时自动降级为规则匹配，系统可用性 99.9%
3. **监控体系**：LangSmith 追踪每次 Agent 执行，异常自动告警
4. **性能优化**：流式输出减少首字延迟，用户体验显著提升

示例：RAG 知识库问答

## 企业知识库智能问答系统

技术栈：Python / LangChain / Chroma / OpenAI / FastAPI

项目描述：
为企业内部搭建了一个基于 RAG 的知识库问答系统，覆盖 10 万+ 份内部文档。

核心职责：
- 设计文档处理流水线（加载→切分→Embedding→入库）
- 实现语义搜索 + 关键词混合检索，回答准确率提升 35%
- 搭建自动化评估框架

技术亮点：
1. **文档智能分块**：按 Markdown 标题层级分割，保留上下文完整性
2. **Query 改写**：LLM 将用户问题改写为更适合检索的表述
3. **评估体系**：构建了包含 500+ 测试对的评估数据集

面试常被追问的技术点

1. 为什么选择 LangGraph 而不是直接调 API？

• 需要多步骤编排（检索→生成→审核）
• 需要状态持久化（用户中断后恢复）
• 需要人机协同（关键操作人工审批）
• 需要流式实时反馈（逐 Token 展示）

2. 如何处理 Token 消耗？

• 滑动窗口历史
• 摘要压缩过长的上下文
• 缓存相同 LLM 请求
• 设置 Token 上限并提前告警

3. 系统如何保证可靠性？

• Checkpoint 持久化（Postgres）
• 重试机制（指数退避）
• 降级策略（LLM 失败 → 规则匹配）
• 超时控制（每个节点设置超时）
• 监控告警（LangSmith + 自定义指标）

4. 遇到过什么坑？怎么解决的？

坑	解决
LLM 幻觉	RAG + 工具调用约束
Agent 死循环	设置最大迭代次数
中文检索差	用中文 Embedding 模型
Token 超限	消息压缩 + 滑动窗口
部署不稳定	Docker + Nginx + Postgres

简历/自我介绍技巧

描述量化成果

• ❌ "提升了检索效果"

• ✅ "检索准确率从 72% 提升到 92%"

• ❌ "减少了人工工作量"

• ✅ "自动处理 80% 的客服咨询，人工介入减少 60%"

• ❌ "优化了性能"

• ✅ "首字响应时间从 3s 降到 0.5s"

展现技术深度

• 不仅是调 API：会说 Reducer 原理、Checkpoint 机制
• 有设计思考：Explain 为什么选 Graph API 不是 Function API
• 有工程意识：聊容错、监控、部署
• 有业务理解：知道成本和收益

参考

• 常见面试题
• LangChain vs LangGraph