LangChain 专项训练 · Session 01
Q1
你先用自己的话说一下：LangChain 是什么？它主要解决什么问题？为什么很多 AI 应用开发会用它？
Q2
如果让你用 LangChain 搭一个最基础的问答应用，你会怎么描述它的核心组成？
至少讲到这些概念：Prompt、Model、Output Parser、Chain。
Q3
Chain 的作用是什么？
为什么不直接手写一堆 Python 代码去调模型，而要用 LangChain 的链式组织方式？
Q4
如果你要做一个 RAG 问答系统，LangChain 在里面通常能帮你处理哪些环节？
Q5
Retriever 和 Vector Store 是什么关系？两者有什么区别？
Q6
如果面试官问你：LangChain 和 LangGraph 有什么区别？
你会怎么回答？
Q7
什么场景下你会考虑用 Agent，什么场景下你更愿意用固定 workflow/chain？
Q8
在 LangChain 里接工具时，你觉得最容易出问题的点是什么？
至少讲 3 个。
Q9
如果一个基于 LangChain 的应用回答不稳定，你会优先排查哪些地方？
Q10
如果你做了一个 LangChain 项目，面试官怀疑你只是“调库侠”，你怎么证明自己不只是会调用框架？
你直接按 Q1-Q10 回答。
这轮我会比刚才更严格，尤其看你是否能把 LangChain 和真实工程场景挂钩。
可以，下面直接给你一版 LangChain 专项训练标准答案，风格按面试口述来写，你可以直接背，也可以改成更像你自己的表达。
Q1
LangChain 本质上是一个大模型应用开发框架，用来把 Prompt、模型调用、知识检索、工具调用、记忆、工作流这些能力组织起来。它解决的问题不是“让模型更聪明”，而是让大模型应用更容易工程化搭建。很多 AI 应用开发会用它，是因为它把常见组件抽象好了，开发者可以更快搭建问答、RAG、Agent 和自动化流程，同时保留一定的可扩展性。
Q2
如果用 LangChain 搭一个最基础的问答应用，我会把它理解成几个核心组件。第一是 Prompt，负责把用户问题组织成模型更容易理解的输入；第二是 Model，也就是具体调用的 LLM；第三是 Output Parser，用来把模型输出整理成结构化结果，比如 JSON 或指定字段；第四是 Chain，用来把 Prompt、Model、Parser 串起来形成一个稳定可复用的调用链。这样做的好处是每一层职责比较清晰，后续好排查、好复用。
Q3
Chain 的作用是把多个步骤按固定顺序组织起来，让整个调用过程更清晰、更可维护。直接手写 Python 当然也能做，但当应用一旦变复杂，比如要做 Prompt 组装、模型调用、结果解析、异常处理、上下文拼接时，纯手写代码会越来越散。LangChain 的链式组织方式更适合把流程模块化，后续替换模型、调整 Prompt、增加中间步骤都更方便。它的价值不在于“少写几行代码”，而在于让大模型应用更容易工程化。
Q4
在 RAG 问答系统里，LangChain 通常可以帮助处理文档加载、文本切分、embedding、向量库接入、retriever 封装、重排前后的上下文拼接，以及最终的问答链路组织。它还可以把 Prompt 模板、检索器和模型调用组合成完整问答流程。换句话说，LangChain 更像是把 RAG 的各个模块串起来，让开发者更快完成原型和迭代。真正决定效果的，还是文档质量、切分策略、召回策略和 Prompt 设计。
Q5
Vector Store 是存储向量和相关文档片段的地方，比如 FAISS、Milvus、Chroma 这类组件；Retriever 是建立在数据存储之上的检索接口，它负责根据用户问题去取回相关内容。简单说，Vector Store 更偏底层存储和索引能力，Retriever 更偏上层检索能力。Retriever 不一定只基于向量库，也可以封装 BM25、混合检索或者带过滤条件的检索逻辑。
Q6
LangChain 更偏通用组件编排框架，适合搭建线性的链路，比如 Prompt、模型、检索、工具这些模块的组合；LangGraph 更偏有状态、多步骤、可循环、可分支的工作流编排，尤其适合复杂 Agent 场景。简单理解，LangChain 更适合普通 AI 应用和固定流程，LangGraph 更适合多轮决策、状态流转、任务规划、失败重试这类复杂流程。很多场景不是二选一，而是 LangChain 负责基础组件，LangGraph 负责更复杂的工作流控制。
Q7
如果任务流程比较固定，输入输出明确，比如知识库问答、报告生成、固定信息抽取，我更愿意用固定 workflow 或 chain，因为它更稳定、可控、也更容易测试。如果任务中存在动态决策，比如要根据问题内容决定查哪个系统、调用哪个工具、是否继续追问用户，那我才会考虑 Agent。简单说，能用固定流程解决的问题，尽量不要上 Agent；只有在步骤不固定、工具选择动态变化时，Agent 才更有价值。
Q8
LangChain 接工具时最容易出问题的点，我觉得至少有三个。第一是工具描述不清，导致模型不知道什么时候该调用、调用哪个工具；第二是输入参数设计不规范，模型生成的参数格式不稳定，容易调用失败；第三是错误处理和兜底不足，比如接口超时、返回空值、字段缺失时没有处理好。再补一个常见问题，就是工具太多但没有清晰边界，模型会乱选工具，导致整体效果很飘。
Q9
如果一个基于 LangChain 的应用回答不稳定，我会优先从四层排查。第一层看 Prompt 是否稳定，约束是不是太弱；第二层看检索链路，包括切分、召回、top-k、重排和上下文拼接；第三层看工具调用是否有失败、参数错误或返回异常；第四层再看模型本身，比如温度参数、上下文长度和输出解析方式。很多所谓“模型不稳定”，其实本质上是上游输入和流程不稳定。
Q10
如果面试官怀疑我只是调库，我会强调两点。第一，框架只是组织方式，真正决定效果的是我怎么做 Prompt 设计、检索策略、工具 schema、异常处理、日志监控和效果评估；第二，我会结合项目讲具体取舍，比如为什么某个场景不用 Agent 而用固定 workflow，为什么要做混合检索，为什么某些表格数据不走 RAG 而走 SQL。能把这些设计判断和问题排查讲清楚，基本就能说明我不是单纯调库，而是真的理解大模型应用的工程实现。
