开发框架 · 技术问答
用法：每题先口述 60–90 秒，再对照要点。加分句选 1 句。ReAct / 死循环细节看 Agent 面试题。
应用框架 · 技术问答
必会
重点 LangChain 六大核心组件的职责和关系？
答题要点
- Models：LLM（补全）/ Chat Model（对话、工具调用）。
- Prompts：把用户输入收成模型吃得下的模板。
- Memory：在无状态调用上接对话历史。
- Indexes / Retrievers：外部文档结构化，RAG 底座。
- Chains：组件按预定顺序串（如
prompt | llm）。 - Agents：由模型决定调哪些工具，观察后再迭代。
加分句：Chain 是写死的流水线，Agent 是循环里自己选工具。
Q2. LangChain 的 Memory 怎么实现？
答题要点
- Buffer：全文塞回去，短对话可以。
- BufferWindow：只留最近 K 轮，防 Token 爆。
- 摘要记忆：用 LLM 压历史再传。
- 向量记忆：历史进向量库，按当前问题检索（记忆版 RAG）。
加分句：短用窗口，长用摘要或检索，不要默认全文 Buffer。
重点 从零手写一个 Agent 框架，底层要解决哪几层？
答题要点
- 大脑适配：抹平各家 API 和 prompt 格式。
- 工具注册：函数 docstring + 类型 → JSON Schema；模型要调时解析参数、执行、把结果当 Tool Message 塞回。
- 上下文：滑动窗口 / 摘要 / 向量长期记忆。
- 编排：Pipeline 或带重试的 Loop/DAG；Trace 记下每次拼接、Token、工具耗时，方便查幻觉和死循环。
加分句：Agent 和单次调用的差别在编排循环，不在「多包一层 SDK」。
Q4. ReAct 的运行逻辑和状态机是怎样的？会死循环吗？
答题要点
- Thought → Action → Action Input → Observation，再 Thought，直到 Final Answer。
- Observation 要把真实返回或报错原样带回，模型才换策略。
- 死循环：反复同一工具、不给 Final Answer。工程上最大步数，或连续相同 Action 惩罚/打断。
加分句：细的打断策略看 Agent 题 Q15；这里先说清状态机。
Q5. LCEL 解决了早期 Chain 的哪些痛点？
答题要点
|声明式编排，流向直观，少嵌套胶水。- 组件统一成 Runnable：
invoke/stream/batch及异步一套接口，流式和批处理不用改内部。 - 字典会变成 RunnableParallel，I/O 并行，总耗时约等于最慢那路，而不是相加。
加分句：能说出「并行取 max、接口统一」比背 prompt | llm | parser 更有用。
进阶
重点 LangChain、LlamaIndex、Qwen-Agent 怎么选？
答题要点
| LangChain | LlamaIndex | Qwen-Agent | |
|---|---|---|---|
| 定位 | 编排 / Agent | 索引与检索 | 轻量 Agent |
| 擅长 | 多步工具、LCEL | 切分、持久化索引 | files 直传、内置代码解释与 WebUI |
- 海量 PDF 精准问答：可先 LlamaIndex。
- 检索完还要写报告、发邮件：LlamaIndex 管数据，LangChain 管链和工具；检索 Node 转成 LangChain Document。
- 换向量库改数据层；加审批改编排层。
加分句：你项目检索是自建 LanceDB+BM25，不是「只会 FAISS 教程」；框架题答分层即可。
都有哪些主流的 AI Agent 框架？
口述：先说定位，再说什么时候用。LangChain / Qwen-Agent / LlamaIndex / AutoGen 四家够开场；有环、要状态再补 LangGraph。
- LangChain — 全能编排，LCEL 管道 + 工具生态。线性 RAG、对话、单 Agent 调工具。复杂循环别靠 Chain 嵌套。
- Qwen-Agent — 轻量，绑通义，工具调用和代码解释器是长项，也接 MCP。国内模型、要本机跑工具时顺。
- LlamaIndex — 数据 / RAG 专家，切分、索引、检索强。严格说不是 Agent 框架；检索完还要多步工具，检索交给它、编排交给 LangChain。
- AutoGen — 多智能体互相说话：几个角色对话把任务聊完。适合研究式多角色，不适合当通用 RAG 底座。
有状态、要重试分支：LangGraph（图，不是又一条链）。口条：编排用 LangChain，检索用 LlamaIndex，千问工具用 Qwen-Agent，多角色对聊用 AutoGen。
LCEL 管道语法是什么？
口述：LCEL（LangChain Expression Language）是 1.x 的核心写法。用 | 把组件接成管道，左边输出自动当右边输入。Prompt、Model、Memory、Retriever 都做成标准积木 Runnable，同一套 invoke / stream。
数据流：用户输入 → PromptTemplate → ChatModel → OutputParser → 结构化输出。
python
from langchain_core.prompts import PromptTemplate
from langchain_community.llms import Tongyi
llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=api_key)
prompt = PromptTemplate(
input_variables=["product"],
template="What is a good name for a company that makes {product}?",
)
chain = prompt | llm
result = chain.invoke({"product": "colorful socks"})invoke 的 dict key 必须和 input_variables 同名。要结构化再在后面 | parser。有环别用 | 硬套，上图。口条：| 拼积木，invoke 一次跑完整条链。
从业务场景怎么选 Agent 框架？
口述：先问业务要什么，再点名框架。能组合就组合，别绑死一家。
- LangChain — 通用 AI 应用，要灵活控流程，或要切换多种模型。
- LlamaIndex — 主做 RAG / 企业知识库，手里一堆 PDF、Word、Excel。
- Qwen-Agent — 主用 Qwen，要数据分析（Code Interpreter）或超长文档（官方长窗口口径到 1M）。
- AutoGen — 一个人干不完，要多角色吵、协作才出结果。
检索完还要写报告、发邮件：LlamaIndex 管数据，LangChain 管链。有环、审批补 LangGraph。口条：通用编排 LangChain，知识库 LlamaIndex，千问数分/长文 Qwen-Agent，团队对聊 AutoGen。 1M 是官方口径，别报成自己压测。
了解
为什么用 LangGraph 而不是传统 Chain？
答题要点
- Chain 基本是 A→B→C；循环（写代码失败回到写）和分支很难。
- LangGraph：有环图、全局 State、可 checkpointer 暂停（等人审批）再恢复。
- 自研 OpenManus 类：Planner / Human Review / Executor / Reviewer 当节点，高风险进人工节点。
加分句：需要 Loop、HITL、可恢复状态再上图；线性流水线用 Chain/Workflow 即可。
OpenManus 四级继承是什么？
答题要点
- BaseAgent：LLM、Memory。
- ReActAgent：推理 + 行动循环。
- ToolCallAgent：解析工具调用。
- 业务 Agent（如 Manus）：注入浏览器等工具。
- 开闭：新做「库管 Agent」继承 ToolCall 层，只换 Tool 集合，不重写循环。