常见面试题

LangChain / LangGraph 相关面试题整理，涵盖基础概念、架构设计、实战场景和原理理解。

基础概念

1. LangChain 是什么？解决了什么问题？

LangChain 是一个构建 LLM 应用的开发框架，主要解决：

• 模型抽象：统一接口对接不同 LLM（OpenAI、Claude、本地模型等）
• 链式编排：将多个步骤（检索→增强→生成）组合成工作流
• 工具调用：让 LLM 能够调用外部 API 和工具
• 状态管理：维护对话上下文和 Agent 状态

2. LangChain 和 LangGraph 的关系？

LangChain 是框架层，提供模型、工具、Agent 循环的抽象和集成。LangGraph 是运行时层，专注于有状态 Agent 的持久化、流式、人机协同等底层编排能力。

类比：LangChain 像 Spring Boot（开发框架），LangGraph 像 Kubernetes（编排运行时）。

3. 什么是 Agent？和 Chain 有什么区别？

	Chain	Agent
执行路径	固定、线性	动态、循环
决策能力	无	LLM 自主决策
工具使用	需要预定义	自动选择
适用场景	确定流程	需要推理的复杂任务

4. 什么是 RAG？解决了什么问题？

RAG（Retrieval-Augmented Generation）通过检索外部知识增强 LLM 输出，解决：

• 知识截止：LLM 训练数据有截止日期
• 幻觉：通过提供参考文档减少编造
• 私有知识：让 LLM 能访问企业文档

5. 什么是 Tool Calling？和 Function Calling 的区别？

Tool Calling 是让 LLM 输出结构化工具调用指令，由应用执行后返回结果。实际上现在业界已将两者混用，OpenAI 的 Function Calling 已更名为 Tool Calling。

LangGraph 原理

6. StateGraph 的执行流程？

1. 编译：检查图拓扑（是否有不可达/循环节点）
2. 调用：传入初始 State
3. 遍历：从 START 开始，按边执行节点
4. 合并：节点返回值通过 Reducer 合并到 State
5. 条件路由：根据条件边函数决定下一步
6. 结束：到达 END 返回最终 State

7. Reducer 的作用是什么？什么时候需要？

Reducer 定义多个节点写入同一 State 字段时的合并策略：

• 无 Reducer：后写入覆盖先写入
• operator.add：列表追加
• add_messages：智能合并消息（去重、更新）

需要 Reducer 的场景：多个节点向同一个列表追加数据（如消息历史、搜索结果）。

8. Interrupt 如何实现人机协同？

Interrupt 在执行过程中暂停图，等待人工决策后恢复。实现方式：

1. 编译时指定 interrupt_before/interrupt_after
2. 节点内调用 interrupt() 函数
3. 通过 graph.get_state() 获取暂停状态
4. 通过 graph.update_state() 或 Command(resume=...) 恢复

9. Checkpoint 的存储后端有哪些？

后端	适用场景	特点
InMemorySaver	开发调试	进程重启丢失
SqliteSaver	单机测试	文件持久化
PostgresSaver	生产环境	高可用、连接池
自定义	特殊需求	实现 BaseCheckpointSaver

10. Streaming 的几种模式区别？

• values：每步完整 State
• updates：每步 State 增量
• messages：逐 Token（聊天 UI）
• events：完整事件流
• custom：自定义事件
• debug：调试事件

实战场景

11. 设计一个多 Agent 客服系统

用户 → 分类 Agent → 订单 Agent（查订单）
                  → 售后 Agent（处理退款）
                  → 技术 Agent（解决问题）
        监督 Agent（协调、升级）

核心设计：

• 每个 Agent 独立子图
• 监督者用条件边路由
• 关键操作（退款）加 Interrupt
• Checkpoint 持久化对话

12. RAG 系统的优化策略

• 分块策略：按语义段落分块，重叠窗口
• Embedding 选择：BGE/M3E 中文效果好
• 检索增强：HyDE（先假设回答再检索）
• 重排序：Cross-encoder 精排
• 多路召回：向量 + BM25 关键词
• Query 改写：LLM 改写用户问题

13. Agent 的幻觉如何降低？

• RAG 提供参考文档
• 工具调用用结构化输出
• 人工审批关键操作
• 多次验证（self-consistency）
• 输出约束（JSON Schema / Pydantic）

架构设计

14. 生产中 Agent 架构需要考虑什么？

• 持久化：Checkpoint 存储选型
• 容错：重试、降级、超时
• 安全：工具权限、输入校验、速率限制
• 监控：Tracing、日志、告警
• 可扩展性：水平多实例
• 成本：Token 消耗控制

15. 如何选择 Functional API 和 Graph API？

Functional API：流程较线性、想用标准 Python 写法 Graph API：复杂分支并行、需要可视化、精细控制

参考

• LangGraph 概览
• 常见架构模式