LangChain & LangGraph 深度解析与面试题

一、LangChain 核心架构

模块体系

LangChain
├── Models（模型层）
│   ├── LLMs（文本生成）
│   ├── Chat Models（对话模型）
│   └── Embedding Models（嵌入模型）
├── Prompts（提示层）
│   ├── PromptTemplate
│   ├── ChatPromptTemplate
│   └── FewShotPromptTemplate
├── Chains（链）
│   ├── LLMChain（基础链）
│   ├── SequentialChain（顺序链）
│   ├── RouterChain（路由链）
│   └── LCEL（LangChain Expression Language）
├── Agents（代理）
│   ├── ReAct Agent
│   ├── OpenAI Functions Agent
│   └── Plan-and-Execute Agent
├── Memory（记忆）
│   ├── ConversationBufferMemory
│   ├── ConversationSummaryMemory
│   └── ConversationTokenBufferMemory
├── Tools（工具）
│   ├── Search, Calculator, Code Interpreter...
│   └── 自定义 Tool
└── Retrievers（检索器）
    ├── VectorStoreRetriever
    ├── MultiQueryRetriever
    └── SelfQueryRetriever

LCEL（LangChain Expression Language）

• LangChain 的现代链构建方式

• 用管道操作符 | 连接组件

• 支持流式输出、批处理、异步

• 示例：prompt | llm | output_parser

Agent 类型

1. ReAct：推理+行动交替，最经典

2. OpenAI Functions：利用 OpenAI 函数调用能力

3. Plan-and-Execute：先规划再执行，适合复杂任务

4. Tool Calling Agent：通用工具调用（新版推荐）

---

二、LangGraph 深度解析

核心概念

from langgraph.graph import StateGraph, END

# 1. 定义状态
class AgentState(TypedDict):
    messages: list
    next_step: str

# 2. 创建图
graph = StateGraph(AgentState)

# 3. 添加节点（每个节点是一个函数）
graph.add_node("agent", agent_node)
graph.add_node("tool", tool_node)

# 4. 添加边（定义流转）
graph.add_edge("agent", "tool")           # 无条件边
graph.add_conditional_edges("tool", router) # 条件边

# 5. 设置入口
graph.set_entry_point("agent")

# 6. 编译运行
app = graph.compile()
result = app.invoke({"messages": [...]})

关键特性详解

1. 状态管理

• 每次节点执行都会更新全局 State

• State 在整个图执行期间持久化

• 支持 Checkpointing：可以保存/恢复执行状态

• 支持 Time Travel：回到任意历史检查点

2. 条件边（Conditional Edges）

def router(state):
    if state["need_tool"]:
        return "tool_node"
    return END

graph.add_conditional_edges("agent", router, {
    "tool_node": "tool_node",
    END: END
})

3. 人工干预（Human-in-the-loop）

• 在关键节点前暂停，等待人工审批

• interrupt_before / interrupt_after 参数

• 适用场景：敏感操作确认、Agent 决策审核

4. 多 Agent 协作模式

• Supervisor 模式：一个主 Agent 调度多个子 Agent

• 对等模式：Agent 间直接通信

• 层级模式：多层管理结构

LangGraph vs LangChain Agent

维度	LangChain Agent	LangGraph
工作流	线性/简单分支	任意图结构
状态管理	基本 Memory	丰富 State + Checkpoint
循环	不支持	原生支持
人工干预	有限	完善
多 Agent	简单嵌套	原生支持
学习曲线	低	中等
生产就绪	中等	高

---

三、实战设计模式

1. ReAct Loop（最基础的 Agent 循环）

用户输入 → Agent 推理 → 是否需要工具？
  ├── 是 → 调用工具 → 获取结果 → 回到 Agent 推理
  └── 否 → 输出最终答案

2. Plan-and-Execute

3. Reflection（自我反思）

Agent 生成答案 → Critic 评估质量
  ├── 不满意 → Agent 重新生成（带反馈）
  └── 满意 → 输出最终答案

4. Multi-Agent Supervisor

用户输入 → Supervisor Agent
  ├── 分派给 Research Agent
  ├── 分派给 Code Agent
  └── 分派给 Writing Agent
  → 汇总结果 → 输出

---

四、高频面试题

LangChain

1. LangChain 的核心模块有哪些？各自作用？

2. 什么是 LCEL？相比传统 Chain 有什么优势？

3. LangChain 中的 Memory 有哪几种？各自适用场景？

4. 如何在 LangChain 中自定义 Tool？需要注意什么？

5. ReAct Agent 的工作原理是什么？

LangGraph

6. LangGraph 的图结构（Node, Edge, State）如何工作？

7. 什么是条件边？如何实现分支逻辑？

8. LangGraph 如何实现 Human-in-the-loop？

9. LangGraph 的 Checkpoint 机制是什么？有什么用？

10. 如何用 LangGraph 实现多 Agent 协作？描述 Supervisor 模式。

对比与选型

11. LangChain 和 LangGraph 如何互补？举一个结合使用的例子。

12. 你会在什么场景下选择 LangGraph 而不是 LangChain Agent？

13. LangGraph vs CrewAI vs AutoGen，各自优劣？

14. 如何调试和监控基于 LangGraph 的 Agent 应用？

15. LangGraph 在生产环境中有哪些注意事项（错误处理、超时、成本控制）？

---

五、参考答案要点

Q5: ReAct Agent 工作原理

• ReAct = Reasoning + Acting

• 循环过程：Thought → Action → Observation → Thought → ...

• LLM 先"思考"当前状况，决定是否需要使用工具

• 如果需要：选择工具并提供参数 → 执行工具 → 观察结果

• 如果不需要：直接生成最终回答

• 核心 Prompt 格式包含 Thought/Action/Action Input/Observation

Q10: Supervisor 多 Agent 模式

• 一个 Supervisor Agent 负责任务调度

• 接收用户输入后，决定分派给哪个子 Agent

• 子 Agent 各自完成任务后将结果返回 Supervisor

• Supervisor 汇总结果，决定是否需要继续或输出最终答案

• LangGraph 实现：Supervisor 是一个条件节点，子 Agent 是独立节点

• State 中维护当前进度和各 Agent 的输出