目录1你了解过哪些 AI Agent 开发框架2请你谈谈对 LangChain 中核心概念「Chain」的理解以及它的核心作用与设计理念。3LangChain 的底层架构与实现原理是什么4使用 LangChain 构建 Agent 的核心步骤是什么5在 LangChain 中如何为 Agent 注册工具6LangChain 如何实现短期记忆和长期记忆7LangChain 和 LlamaIndex 有什么区别8请你谈谈 LangChain4j 这类 Java 生态的 LangChain 衍生框架主要帮开发者解决了哪些核心问题它的核心适用场景是什么9请你详细说说 LangChain 和 LangGraph 的核心区别是什么10LangGraph 相比于 LangChain 有哪些核心优势更适配哪些 Agent 场景11LangChain 大版本升级有哪些核心变化12Deep Research 的实现逻辑和适用场景是什么13总结1你了解过哪些 AI Agent 开发框架我重点了解过 LangChain、LangGraph 和 LlamaIndex。LangChain 提供模型、Prompt、工具、Agent 和中间件等通用适合快速构建工具调用、RAG、SQL 查询等 AI 应用。LangGraph 更偏底层的状态与流程编排。面对循环、分支、并行、断点恢复和人工审批等复杂流程时可以使用图结构显式控制 Agent 的执行路径。现在 LangChain 的 Agent 也运行在 LangGraph 之上因此二者更多是上下层关系而不是互相替代的竞争关系。LlamaIndex 的优势集中在数据接入、文档解析、索引和检索适合企业知识库、文档问答和复杂 RAG 等数据密集型应用。除此之外我也了解 OpenAI Agents SDK 和 CrewAI。前者适合以 OpenAI 模型为主的轻量 Agent后者擅长使用角色和任务表达多 Agent 协作。2请你谈谈对 LangChain 中核心概念「Chain」的理解以及它的核心作用与设计理念。Chain 是一种应用编排思路把 Prompt、模型、检索器、输出解析器和自定义逻辑等步骤按照明确的数据流连接起来让上一步的输出成为下一步的输入最终形成一个可以整体执行的流程。在现在的 LangChain 里Chain 最重要的技术基础是Runnable。每个步骤都尽量遵守统一的输入输出和执行接口再通过LCEL的做串行组合或者通过字典做并行组合。组合后的整条 Chain 本身仍然是 Runnable所以可以继续嵌套也能统一使用 invoke、batch 和 stream 等能力。它的核心设计理念是「组合优于堆积封装」。开发者只关注每一步做什么、数据怎么流动框架负责把执行方式、配置、重试、回退等通用能力接到整条流程上。3LangChain 的底层架构与实现原理是什么LangChain 本质不是大模型而是大模型应用开发编排框架。底层核心由「组件原语 Chain/Graph 编排层 外部集成层」三部分组成。 把 LLM、Prompt、向量库、工具、记忆这些独立组件封装提供统一接口早期用 Chain 串行串联任务新版主推 LangGraph 实现多轮循环、分支、状态流转用来做 Agent。底层靠回调、状态管理实现链路监控对接各类模型和外部服务。4使用 LangChain 构建 Agent 的核心步骤是什么用 LangChain 搭建 Agent 一共5个核心步骤①定义工具并封装②配置大模型开启工具调用能力③定义 Agent 思考逻辑LangGraph 状态机④编写状态流转分支LLM 判断是否调用工具⑤增加记忆、回调等辅助模块最后测试调试。5在 LangChain 中如何为 Agent 注册工具LangChain 注册工具分三步1定义工具逻辑可以用tool装饰器快速包装函数或者手动构造 Tool 对象2给工具写清晰描述、参数 Schema3将工具列表绑定到支持 function call 的 ChatModel在 LangGraph 的 Agent 节点里使用模型就可以识别并调用工具。6LangChain 如何实现短期记忆和长期记忆LangChain 的记忆本质是维护对话消息列表。短期记忆放在内存里随请求保存在对话消息数组支持窗口截断、摘要压缩控制 token长期记忆持久化到外部存储数据库 / 向量库把历史对话向量化保存用户提问时检索相关历史再注入上下文。现在 LangGraph 项目更推荐自己在 State 中管理短期记忆外部数据库承载长期记忆。7LangChain 和 LlamaIndex 有什么区别LangChain 是通用大模型应用编排框架强项是 Agent、多工具编排、复杂任务流LlamaIndex原 LLamaIndex是以 RAG 为核心的框架聚焦文档索引、检索增强做知识库场景更顺手。两者能力有重叠但定位不同项目选型看业务做 Agent 多工具调用优先 LangChain重度知识库 RAG 优先 LlamaIndex也可以混合使用。8请你谈谈 LangChain4j 这类 Java 生态的 LangChain 衍生框架主要帮开发者解决了哪些核心问题它的核心适用场景是什么LangChain4j 是 LangChain 在 Java 生态的移植实现专门给 Java 后端开发使用。它解决的核心问题让存量 Java 系统不用切换 Python就能快速接入大模型能力封装了 LLM、向量库、工具调用、记忆、RAG 等组件屏蔽不同大模型 API 差异。 适用场景传统 Java 后端、Spring/SpringBoot 业务系统把 RAG、Agent 能力集成到现有企业业务里比如 CRM、工单、内部管理系统等。9请你详细说说 LangChain 和 LangGraph 的核心区别是什么LangChain 是大模型应用组件库提供 Prompt、Memory、Tool、Runnable 等基础积木LangGraph 是基于 LangChain 组件构建的状态机编排框架专门用来写带循环、条件分支的 Agent。 简单一句话LangChain 提供零件LangGraph 负责把零件组装成可以来回循环、分支流转的智能体工作流。LangGraph 属于 LangChain 生态但二者定位完全不同。10LangGraph 相比于 LangChain 有哪些核心优势更适配哪些 Agent 场景LangGraph 相比 LangChain 原生 Runnable/Chain核心优势是引入全局状态机天然支持循环、条件分支、断点和人工介入。LangChain 的 Runnable 管道只能单向线性执行LangGraph 可以让 Agent 反复思考、循环调用工具。 它更适合多轮工具调用、任务拆解、需要人工复核、多智能体协作这类复杂 Agent 场景简单固定流水线 RAG 任务直接 LangChain Runnable 就足够。11LangChain 大版本升级有哪些核心变化LangChain 最重要的分水岭是0.1.0从早期原型版本走向生产稳定0.2 进一步解耦包依赖、废弃旧 Chain主推 LCEL0.3 简化工具定义、回调改为非阻塞。 核心改动包拆分、LCEL 表达式语言取代传统 Chain、导入路径重构、Agent 推荐迁移 LangGraph、API 版本规范稳定化。旧版 all-in-one 大包拆成 langchain-core、langchain、langchain-community、各独立 provider 包解决依赖臃肿问题。12Deep Research 的实现逻辑和适用场景是什么Deep Research 是Agent 式深度研究智能体基于 LangGraph 这类状态机构建闭环迭代工作流。核心逻辑分为任务规划、迭代检索阅读、证据交叉校验、反思查漏、报告合成。它和普通 RAG 最大区别RAG 是一次性检索Deep Research 会反复搜索、看网页、发现信息缺口后继续追问直到证据充足输出带引用的长报告。适合复杂多维度调研任务不适合简单一问一答。13总结LangChain、LangGraph与LlamaIndex构成AI Agent核心框架体系LangChain提供通用组件与编排能力LangGraph实现复杂状态机驱动的多轮循环与分支流程适用于高阶AgentLlamaIndex专注文档索引与检索增强擅长知识库场景。三者定位互补可混合使用。LangChain4j拓展至Java生态助力企业系统无缝集成大模型能力。版本演进聚焦解耦、LCEL统一接口与架构优化。DeepResearch等高级应用依托LangGraph实现闭环迭代研究适合深度调研任务
小林coding-LangChain 框架面试题介绍
目录1你了解过哪些 AI Agent 开发框架2请你谈谈对 LangChain 中核心概念「Chain」的理解以及它的核心作用与设计理念。3LangChain 的底层架构与实现原理是什么4使用 LangChain 构建 Agent 的核心步骤是什么5在 LangChain 中如何为 Agent 注册工具6LangChain 如何实现短期记忆和长期记忆7LangChain 和 LlamaIndex 有什么区别8请你谈谈 LangChain4j 这类 Java 生态的 LangChain 衍生框架主要帮开发者解决了哪些核心问题它的核心适用场景是什么9请你详细说说 LangChain 和 LangGraph 的核心区别是什么10LangGraph 相比于 LangChain 有哪些核心优势更适配哪些 Agent 场景11LangChain 大版本升级有哪些核心变化12Deep Research 的实现逻辑和适用场景是什么13总结1你了解过哪些 AI Agent 开发框架我重点了解过 LangChain、LangGraph 和 LlamaIndex。LangChain 提供模型、Prompt、工具、Agent 和中间件等通用适合快速构建工具调用、RAG、SQL 查询等 AI 应用。LangGraph 更偏底层的状态与流程编排。面对循环、分支、并行、断点恢复和人工审批等复杂流程时可以使用图结构显式控制 Agent 的执行路径。现在 LangChain 的 Agent 也运行在 LangGraph 之上因此二者更多是上下层关系而不是互相替代的竞争关系。LlamaIndex 的优势集中在数据接入、文档解析、索引和检索适合企业知识库、文档问答和复杂 RAG 等数据密集型应用。除此之外我也了解 OpenAI Agents SDK 和 CrewAI。前者适合以 OpenAI 模型为主的轻量 Agent后者擅长使用角色和任务表达多 Agent 协作。2请你谈谈对 LangChain 中核心概念「Chain」的理解以及它的核心作用与设计理念。Chain 是一种应用编排思路把 Prompt、模型、检索器、输出解析器和自定义逻辑等步骤按照明确的数据流连接起来让上一步的输出成为下一步的输入最终形成一个可以整体执行的流程。在现在的 LangChain 里Chain 最重要的技术基础是Runnable。每个步骤都尽量遵守统一的输入输出和执行接口再通过LCEL的做串行组合或者通过字典做并行组合。组合后的整条 Chain 本身仍然是 Runnable所以可以继续嵌套也能统一使用 invoke、batch 和 stream 等能力。它的核心设计理念是「组合优于堆积封装」。开发者只关注每一步做什么、数据怎么流动框架负责把执行方式、配置、重试、回退等通用能力接到整条流程上。3LangChain 的底层架构与实现原理是什么LangChain 本质不是大模型而是大模型应用开发编排框架。底层核心由「组件原语 Chain/Graph 编排层 外部集成层」三部分组成。 把 LLM、Prompt、向量库、工具、记忆这些独立组件封装提供统一接口早期用 Chain 串行串联任务新版主推 LangGraph 实现多轮循环、分支、状态流转用来做 Agent。底层靠回调、状态管理实现链路监控对接各类模型和外部服务。4使用 LangChain 构建 Agent 的核心步骤是什么用 LangChain 搭建 Agent 一共5个核心步骤①定义工具并封装②配置大模型开启工具调用能力③定义 Agent 思考逻辑LangGraph 状态机④编写状态流转分支LLM 判断是否调用工具⑤增加记忆、回调等辅助模块最后测试调试。5在 LangChain 中如何为 Agent 注册工具LangChain 注册工具分三步1定义工具逻辑可以用tool装饰器快速包装函数或者手动构造 Tool 对象2给工具写清晰描述、参数 Schema3将工具列表绑定到支持 function call 的 ChatModel在 LangGraph 的 Agent 节点里使用模型就可以识别并调用工具。6LangChain 如何实现短期记忆和长期记忆LangChain 的记忆本质是维护对话消息列表。短期记忆放在内存里随请求保存在对话消息数组支持窗口截断、摘要压缩控制 token长期记忆持久化到外部存储数据库 / 向量库把历史对话向量化保存用户提问时检索相关历史再注入上下文。现在 LangGraph 项目更推荐自己在 State 中管理短期记忆外部数据库承载长期记忆。7LangChain 和 LlamaIndex 有什么区别LangChain 是通用大模型应用编排框架强项是 Agent、多工具编排、复杂任务流LlamaIndex原 LLamaIndex是以 RAG 为核心的框架聚焦文档索引、检索增强做知识库场景更顺手。两者能力有重叠但定位不同项目选型看业务做 Agent 多工具调用优先 LangChain重度知识库 RAG 优先 LlamaIndex也可以混合使用。8请你谈谈 LangChain4j 这类 Java 生态的 LangChain 衍生框架主要帮开发者解决了哪些核心问题它的核心适用场景是什么LangChain4j 是 LangChain 在 Java 生态的移植实现专门给 Java 后端开发使用。它解决的核心问题让存量 Java 系统不用切换 Python就能快速接入大模型能力封装了 LLM、向量库、工具调用、记忆、RAG 等组件屏蔽不同大模型 API 差异。 适用场景传统 Java 后端、Spring/SpringBoot 业务系统把 RAG、Agent 能力集成到现有企业业务里比如 CRM、工单、内部管理系统等。9请你详细说说 LangChain 和 LangGraph 的核心区别是什么LangChain 是大模型应用组件库提供 Prompt、Memory、Tool、Runnable 等基础积木LangGraph 是基于 LangChain 组件构建的状态机编排框架专门用来写带循环、条件分支的 Agent。 简单一句话LangChain 提供零件LangGraph 负责把零件组装成可以来回循环、分支流转的智能体工作流。LangGraph 属于 LangChain 生态但二者定位完全不同。10LangGraph 相比于 LangChain 有哪些核心优势更适配哪些 Agent 场景LangGraph 相比 LangChain 原生 Runnable/Chain核心优势是引入全局状态机天然支持循环、条件分支、断点和人工介入。LangChain 的 Runnable 管道只能单向线性执行LangGraph 可以让 Agent 反复思考、循环调用工具。 它更适合多轮工具调用、任务拆解、需要人工复核、多智能体协作这类复杂 Agent 场景简单固定流水线 RAG 任务直接 LangChain Runnable 就足够。11LangChain 大版本升级有哪些核心变化LangChain 最重要的分水岭是0.1.0从早期原型版本走向生产稳定0.2 进一步解耦包依赖、废弃旧 Chain主推 LCEL0.3 简化工具定义、回调改为非阻塞。 核心改动包拆分、LCEL 表达式语言取代传统 Chain、导入路径重构、Agent 推荐迁移 LangGraph、API 版本规范稳定化。旧版 all-in-one 大包拆成 langchain-core、langchain、langchain-community、各独立 provider 包解决依赖臃肿问题。12Deep Research 的实现逻辑和适用场景是什么Deep Research 是Agent 式深度研究智能体基于 LangGraph 这类状态机构建闭环迭代工作流。核心逻辑分为任务规划、迭代检索阅读、证据交叉校验、反思查漏、报告合成。它和普通 RAG 最大区别RAG 是一次性检索Deep Research 会反复搜索、看网页、发现信息缺口后继续追问直到证据充足输出带引用的长报告。适合复杂多维度调研任务不适合简单一问一答。13总结LangChain、LangGraph与LlamaIndex构成AI Agent核心框架体系LangChain提供通用组件与编排能力LangGraph实现复杂状态机驱动的多轮循环与分支流程适用于高阶AgentLlamaIndex专注文档索引与检索增强擅长知识库场景。三者定位互补可混合使用。LangChain4j拓展至Java生态助力企业系统无缝集成大模型能力。版本演进聚焦解耦、LCEL统一接口与架构优化。DeepResearch等高级应用依托LangGraph实现闭环迭代研究适合深度调研任务
