📋 摘要

1. LangChain 的核心抽象有哪些？解决了什么问题？

📋 回答重点
  • 抽象：Model、Prompt Template、Output Parser、Retriever、Vector Store、Embedding、Tool、Memory、Runnable/Chain
  • 解决：统一接口（换模型不改代码）、组合编排（Runnable 可组合）、生态复用、可观测
  • 核心思想：一切皆 Runnable，统一 invoke/stream/batch 接口

扩展知识

  • 换模型（OpenAI → Claude → 本地）只改配置，业务代码不变
  • 详细讲解：LangChain 与 LangGraph

2. Prompt Template 是什么？有哪些类型？

📋 回答重点
  • 把 prompt 中变化部分用占位变量表示，运行时填充，复用 prompt 结构
  • 类型：StringPromptTemplate、ChatPromptTemplate（角色区分）、MessagesPlaceholder（动态消息）、FewShot、Pipeline
  • 关键特性：partial（部分填充）、变量校验

扩展知识

  • 生产最常用 ChatPromptTemplate.from_messages([("system", ...), ("human", ...)])
  • 详细讲解：LangChain 与 LangGraph

3. LLM 和 ChatModel 有什么区别？

📋 回答重点
  • LLM：纯字符串输入输出，文本补全（老模型）
  • ChatModel：消息列表输入输出（system/human/ai/tool），现代对话/Agent 主流
  • 二者都实现 Runnable 接口，可互换进 chain

扩展知识

4. output parser 是什么？如何做结构化输出？

📋 回答重点
  • Output Parser 把 LLM 文本输出解析成结构化对象（dict/Pydantic）
  • 流程：prompt 约束格式 → 模型生成 → parser 解析
  • 常见：StrOutputParser、JsonOutputParser、PydanticOutputParser（带 schema 校验）

扩展知识

  • 更可靠做法：with_structured_output 用 function calling 直接产出合法结构
  • 详细讲解：LangChain 与 LangGraph

5. chain 是如何组合的？有哪些组合方式？

📋 回答重点
  • 组合方式：顺序（Sequential）、路由（Router）、MapReduce/MapRerank、条件分支
  • 新范式用 LCEL 管道符 prompt | model | parser 组合，替代旧 Chain 类
  • chain 本质是 DAG：节点是 Runnable，边是数据流；组合结果仍是 Runnable

扩展知识

6. LCEL 的引入动机是什么？

📋 回答重点
  • 早期 Chain 类继承体系问题：组合僵硬、接口不统一、难复用、难统一做流式/异步
  • LCEL 用 | 声明式组合 Runnable，接口统一 invoke/stream/batch
  • 自动获得流式、异步、批处理、重试、回退等能力

扩展知识

7. 管道符 | 和 Runnable 是什么关系？

📋 回答重点
  • | 是 LCEL 组合操作符，Runnable 是被组合的单元
  • 所有组件（prompt/model/parser）都实现 Runnable 协议，都能用 | 串起来
  • a | b 内部生成 RunnableSequence，a 的输出传给 b；结果仍是 Runnable

扩展知识

  • Runnable 接口：invoke / ainvoke / stream / batch
  • 详细讲解：[[LangChain 与 LangGraph#管道符 | 和 Runnable 是什么关系？]]

8. RunnableParallel、RunnableLambda、RunnablePassthrough 分别是什么？

📋 回答重点
  • Parallel：并行执行多个分支，结果合并成 dict
  • Lambda：把任意 Python 函数包装成 Runnable，插入链中做自定义处理
  • Passthrough：原样透传输入/抽取字段，assign 在透传同时追加新字段

扩展知识

9. with_fallbacks 是什么？如何做容错？

📋 回答重点
  • 给 Runnable 配多个备用实现，主实现失败自动降级到下一个
  • 触发条件：抛出指定的异常类型（如 RateLimitError、TimeoutError），按顺序尝试
  • 区别：with_fallbacks 是整链降级，with_retry 是单节点重试

扩展知识

10. LangChain 0.1、0.2、1.0 版本有哪些变化？

📋 回答重点
  • 0.1（2024.1）：首个稳定版，包模块化拆分（langchain-core / langchain-community / langchain-openai）
  • 0.2：LCEL 成为组合主范式，移除弃用 API
  • 1.0：聚焦稳定性，Agent 与状态编排转向 LangGraph

扩展知识

  • 趋势：单体包 → 模块化、LLMChain → LCEL、Agent 编排 → LangGraph
  • 详细讲解：LangChain 与 LangGraph

11. memory（BufferMemory）是如何工作的？有哪些类型？

📋 回答重点
  • 原理：调用前把历史消息注入 prompt，调用后把本轮交互写回
  • 类型：Buffer（全量）、BufferWindow（最近 K 轮）、Summary（摘要）、TokenBuffer（按 token 截断）、VectorStore（长期）
  • 传统 BufferMemory 已弃用，新范式用 RunnableWithMessageHistory

扩展知识

12. bind_tools 是什么？如何绑定工具？

📋 回答重点
  • 把工具 schema（名称/描述/参数）绑定到 ChatModel，让模型能返回 tool_call
  • 模型只输出调用指令，真正执行仍在宿主，结果以 tool role 回传
  • 工具 description（docstring）质量决定选工具准确率

扩展知识

13. retriever 抽象是什么？如何自定义？

📋 回答重点
  • 统一接口：输入 query，输出 List[Document]，屏蔽底层检索实现
  • 自定义：继承 BaseRetriever，重写 _get_relevant_documents
  • 内置：VectorStoreRetriever、MultiQuery、ParentDocument、SelfQuery、Ensemble

扩展知识

14. vector store 抽象是什么？如何接入？

📋 回答重点
  • 统一「写入 + 相似度检索」接口：add_documents / similarity_search / as_retriever
  • 接入：Chroma.from_documents(docs, embeddings) 后 as_retriever() 接进 chain
  • 实现：Chroma（原型）、FAISS、Milvus/Qdrant、pgvector

扩展知识

15. text splitter 有哪些类型？如何选择？

📋 回答重点
  • 类型：Character、RecursiveCharacter（默认首选）、Token、MarkdownHeader、Code、Semantic
  • 选择：通用 → 递归字符；Markdown → 按标题；代码 → CodeSplitter；精确 token → Token
  • 关键参数：chunk_size（256~1024 token）、chunk_overlap（10%~20%）

扩展知识

16. document loader 有哪些类型？

📋 回答重点
  • 作用：把各类数据源加载为 Document（page_content + metadata）
  • 类型：文件（Text/CSV/PDF/Markdown）、网页（WebBase）、数据库、企业（Notion/GitHub）、富媒体（OCR）
  • 加载后接 splitter → embedding → vector store 固定链路

扩展知识

17. embedding 抽象是什么？如何接入不同的 embedding？

📋 回答重点
  • 统一「文本 → 向量」接口：embed_documents（文档侧）、embed_query（查询侧）
  • 接入：换实现类即可（OpenAIEmbeddings / HuggingFaceEmbeddings / Google）
  • 关键点：换实现不改上层；query 与 doc 可不对称

扩展知识

  • 选择看语言、维度、检索专用性、成本；维度须与建索引一致
  • 详细讲解：LangChain 与 LangGraph

18. callbacks 和 tracing 如何工作？

📋 回答重点
  • callbacks：在生命周期事件挂钩子（on_llm_start/on_chain_end/on_tool_start…）
  • tracing 是 callbacks 高级应用：记录 trace/span 调用树
  • 通过 config 或环境变量上报到 LangSmith/Langfuse，用于调试、评估、成本分析

扩展知识

19. streaming（astream）如何实现？

📋 回答重点
  • stream/astream 逐 token/逐块返回，前端实时显示
  • LCEL 链自动透传流式（只要下游支持）
  • astream_events 提供更细粒度事件流（on_llm_start/on_token/on_tool_start）

扩展知识

20. batch 和 abatch 有什么区别？

📋 回答重点
  • batch：同步、内部并发处理多个输入；abatch：异步并发，适合高吞吐
  • batch 比循环 invoke 快（受 max_concurrency 限制）
  • 都是 Runnable 统一接口：invoke（单）/ batch（多）/ stream（流式）

扩展知识

21. RunnableWithMessageHistory 是什么？

📋 回答重点
  • 在链上自动管理对话历史：调用前加载、调用后写回
  • 用 session_id 定位会话，历史通过 MessagesPlaceholder 注入
  • 底层 BaseChatMessageHistory 可换内存 / Redis / 数据库

扩展知识

22. LangChain 的 caching 如何实现？

📋 回答重点
  • 用 set_llm_cache 配置：InMemoryCache（开发）、SQLiteCache/RedisCache（生产）
  • 缓存键 = 模型 + prompt，相同请求直接命中不调模型
  • 进阶：语义缓存按相似度命中（问法不同也能命中）

扩展知识

23. LangChain 有哪些优缺点？

📋 回答重点
  • 优点：抽象统一、生态丰富、LCEL 可组合、可观测、社区大
  • 缺点：抽象过度、API 变动大、复杂流程力不从心、性能开销、调试难
  • 结论：原型快、生产要谨慎

扩展知识

24. 为什么 LangChain 被批评「抽象过度」？

📋 回答重点
  • 封装层次多 → 报错栈深、定位难
  • 隐藏关键细节 → 黑盒、不可预期
  • 魔法配置 + API 频繁变动 → 概念膨胀
  • 简单任务被复杂化，抽象收益与成本不匹配

扩展知识

25. LangChain 适用和不适用于哪些场景？

📋 回答重点
  • 适用：快速原型、标准 RAG、多模型切换、简单链式、需现成组件
  • 不适用：复杂状态机/多步 Agent、性能敏感、需完全可控底层、高度定制工作流
  • 法则：原型/标准 RAG 用 LangChain，复杂 Agent 用 LangGraph

扩展知识

26. LangGraph 解决什么问题？和 chain 有什么区别？

📋 回答重点
  • chain 是静态 DAG，难表达循环、分支、动态路由、人工介入、持久化
  • LangGraph 用「图 + 状态」建模，原生支持循环/分支/checkpoint/人工介入
  • 关系：互补——LangChain 供积木，LangGraph 做编排

扩展知识

27. StateGraph 和 State 是什么？

📋 回答重点
  • State：图执行中的共享状态对象（TypedDict/Pydantic），节点读写它
  • StateGraph：以 State 为中心的图构建器，定义节点 + 边 + 状态更新
  • 状态更新用 reducer 合并（默认覆盖、add_messages 累加）

扩展知识

  • State 是显式共享内存，比 chain 隐式数据流更可控可持久化
  • 详细讲解：LangChain 与 LangGraph

28. node 和 edge 是什么？如何定义？

📋 回答重点
  • node：执行单元，函数接收 State、返回状态更新片段
  • edge：执行顺序，普通边固定、条件边按状态路由
  • compile() 后得到可 invoke/stream 的图

扩展知识

29. 条件边（conditional edge）是什么？

📋 回答重点
  • 从节点出发，根据当前状态/输出动态决定下一个节点
  • 实现：route(state) -> 字符串 + 映射表 {返回值: 目标节点}
  • 用途：ReAct 判断「继续工具 vs 结束」、supervisor 路由 worker

扩展知识

30. LangGraph 如何支持循环？

📋 回答重点
  • 图允许有环：agent ⇄ tools 形成循环，靠条件边控制退出
  • 结构：START → agent →（条件边）tools → agent → … → END
  • 防死循环：条件边返回 END、recursion_limit 兜底、节点内检测超限

扩展知识

31. checkpoint 持久化是什么？如何实现？

📋 回答重点
  • 每个节点执行后保存的 State 快照
  • 实现：compile 挂 checkpointer=MemorySaver()/PostgresSaver()，调用带 thread_id
  • 作用：崩溃恢复、多轮会话、人工介入、时间旅行

扩展知识

32. human-in-the-loop（interrupt）如何实现？

📋 回答重点
  • 在关键节点暂停，等人工批准/补输入后 resume 继续
  • 方式：interrupt_before/after 指定节点，或节点内 interrupt() 动态暂停
  • 人工可改 State 后再 resume，也可拒绝操作

扩展知识

  • 场景：高危操作（支付/删除）审批、补充信息、人工接管
  • 详细讲解：LangChain 与 LangGraph

33. LangGraph 有哪些 streaming modes？

📋 回答重点
  • values（完整 State）、updates（增量更新）、messages（token 流）
  • custom（节点内自定义事件）、debug（调试细节）
  • 选择：看最终回答 token 用 messages，看节点进度用 updates

扩展知识

34. subgraph 如何复用？

📋 回答重点
  • 把编译好的图封装成节点嵌入主图，实现模块化复用
  • main_builder.add_node("sub", subgraph) 即可
  • State 字段不同用 input/output 做映射转换

扩展知识

35. LangGraph 如何实现多 Agent（supervisor/swarm）？

📋 回答重点
  • supervisor：中央节点 + 条件边分发到 worker，worker 完成后回到 supervisor 汇总
  • swarm：去中心化，agent 间直接 handoff 交接
  • 区别：supervisor 集中星形控制，swarm 网形交接

扩展知识

36. LangGraph 的 memory（checkpointer + Store）如何设计？

📋 回答重点
  • checkpointer：线程内短期状态，按 thread_id 隔离
  • Store：跨线程长期记忆，键值 + 命名空间 + 语义检索
  • 分工：短期靠 checkpointer，跨会话可复用知识靠 Store

扩展知识

37. LangGraph 的 pregel 执行模型是什么？

📋 回答重点
  • 借鉴 Google Pregel 的 BSP（批量同步并行）图计算模型
  • 每轮：找就绪节点 → 并行执行 → reducer 合并状态 → 下一轮
  • 特点：消息驱动、批量同步、状态聚合、每轮是天然 checkpoint 点

扩展知识

38. time-travel 是什么？如何实现？

📋 回答重点
  • 回到某个历史 checkpoint 查看或重新执行/分支
  • 实现：get_state_history(config) 拿快照列表，指定 checkpoint_id 重新 invoke
  • 可 fork 新分支（换 thread_id/checkpoint_ns）保留原轨迹

扩展知识

39. LangGraph 和旧的 AgentExecutor 有什么区别？

📋 回答重点
  • AgentExecutor：黑盒内置「模型→工具→循环」，难定制
  • LangGraph：显式节点 + 边，循环/路由可见可控
  • LangGraph 原生补上 checkpoint、人工介入、可观测

扩展知识

40. send 和 MapReduce 是什么？

📋 回答重点
  • send：用 Send 把节点多个输出动态扇出到多个目标，实现动态并行
  • MapReduce：Map 拆分成子任务并行处理，Reduce 合并最终结果
  • send 是实现 MapReduce 并行 Map 扇出的机制

扩展知识

41. @tool 装饰器是什么？如何自定义工具？

📋 回答重点
  • @tool 把普通函数转成工具，自动生成 JSON Schema
  • 读取函数签名（类型注解）+ docstring（作为描述）
  • docstring 写清「何时用 + 返回什么」决定调用准确率

扩展知识

42. structured tool（Pydantic）是什么？如何定义？

📋 回答重点
  • 用 Pydantic 模型精确定义参数 schema，参数被校验成类型化对象
  • StructuredTool.from_function(func, args_schema=WeatherInput, ...)
  • 优势：参数校验、字段级 description/约束进 schema、宿主执行更安全

扩展知识

43. BaseChatModel 抽象是什么？

📋 回答重点
  • 对话模型的统一抽象基类，屏蔽厂商 API 差异
  • 接口：invoke/stream/batch + bind_tools + with_structured_output
  • 输入输出是消息：System/Human/AI/Tool 消息

扩展知识

44. bind 和 config 是什么？如何传递配置？

📋 回答重点
  • bind：运行时绑定固定参数（temperature/tools/response_format），生成新 Runnable
  • config：调用时传入的运行上下文（RunnableConfig），沿链自动透传
  • config 含 callbacks、metadata、configurable（session_id/thread_id 等）

扩展知识

45. LangSmith 是什么？有什么用？

📋 回答重点
  • LangChain 官方 LLM 应用可观测与评估平台
  • 能力：tracing、调试回放、评估、监控、Prompt 管理、人工标注
  • 设环境变量即自动上报，也可 SDK 记录任意 LLM 调用

扩展知识

46. LangServe 是什么？如何部署？

📋 回答重点
  • 把 chain/agent 一键部署为 REST API（基于 FastAPI）
  • add_routes(app, chain, path="/my_chain") 后 uvicorn 启动
  • 自动生成 invoke/stream/batch 端点 + OpenAPI + playground + SSE 流式

扩展知识

47. LangChain 和 LangGraph 如何选型？

📋 回答重点
  • 直线数据流（原型、标准 RAG、多模型切换）→ LangChain
  • 带循环/状态/人工介入/多 Agent（状态机）→ LangGraph
  • 判断依据：是否需要循环/状态/人工介入

扩展知识

48. 如何用 LangGraph 实现一个 ReAct agent？

📋 回答重点
  • 结构：START → agent ⇄ tools + 条件边 → END
  • agent 节点用 bind_tools 模型产出 tool_calls；tools 节点执行并回写 ToolMessage
  • 条件边判断「继续调工具 or 结束」；create_react_agent 一行封装

扩展知识

49. 如何用 LangChain 实现一个 RAG 应用？

📋 回答重点
  • 七步：加载 → 分块 → embedding → 入库 → 检索 → 拼 prompt → 生成
  • 链：{"context": retriever, "question": RunnablePassthrough()} | prompt | model | parser
  • 索引离线、检索生成在线；检索质量决定 RAG 上限

扩展知识

50. LangChain/LangGraph 生产部署有哪些注意事项？

📋 回答重点
  • 状态外置：checkpoint 用 Postgres，才能水平扩容
  • 可观测先行：接 LangSmith/Langfuse，记录 trace/成本/错误
  • 成本控制：caching、prompt caching、小模型分工、限步数
  • 安全：工具最小权限、沙箱、提示注入防护、高危人工确认
  • 可靠性：with_fallbacks、重试、限流、超时、死循环检测

扩展知识

  • 模型/prompt 版本化支持回滚；数据集 + evaluator 上线前回归
  • 详细讲解：LangChain 与 LangGraph