面试资料较长，建议点赞收藏，以免遗失。如果对你有所帮助，记得点亮小红心告诉身边有需要的朋友。

1. 什么是LangChain？它的核心设计理念是什么？

答案：

LangChain是一个用于开发由大语言模型驱动的应用程序的框架。它的核心设计理念是通过“可组合性”将多个模块链接在一起，构建复杂而强大的应用。

• •

  核心价值：它简化了与大模型交互的流程，并提供了与外部数据源、工具（API、函数）和内存集成的标准化接口。

• •

  类比：就像React用于构建用户界面一样，LangChain是用于构建大模型应用界面的工具链。

▲LangChain如何作为连接LLM与外部世界（数据、工具）的桥梁和协调中心

2. 请解释LangChain中的6个核心概念：Models, Prompts, Indexes, Memory, Chains, Agents。

答案：

• Models (模型)： 与各种大语言模型交互的抽象层，如ChatGPT、LLaMA等。提供了LLM（文本进-文本出）和ChatModels（消息进-消息出）两种接口。

• Prompts (提示)： 管理、优化和模板化提示词的模块。包括PromptTemplate、FewShotPromptTemplate等，允许动态注入上下文和用户输入。

• Indexes (索引)： 用于处理外部数据的工具，主要用于文档的检索。常与Retrieval模块结合，构成RAG应用的核心。

• Memory (记忆)： 在链或代理的多次调用之间持久化状态（如对话历史）。有ConversationBufferMemory、ConversationSummaryMemory等多种形式。

• Chains (链)： 核心思想。将多个组件（或多个LLM调用）按预定顺序链接起来，完成一个特定任务。LCEL (LangChain Expression Language)是构建链的声明式方式。

• Agents (代理)： 更高级的“链”。由LLM作为大脑，动态决定执行一系列Tools（工具）的步骤和顺序，以完成用户复杂的请求（如“今天天气如何？然后用英文总结一下”）。

3. 什么是LCEL？它有什么优势？请写一个简单的例子。

答案：

LCEL（LangChain Expression Language）是一种声明式的、可组合的语法，用于轻松地构建和部署链。

• 优势：

• •

  统一接口： 所有LCEL对象都实现了Runnable接口，具有统一的invoke, batch, stream, astream方法。

• •

  自动流输出： 无需额外代码即可实现 token 的流式传输。

• •

  强大的并行： 使用batch可以并行处理多个输入。

• •

  可靠性： 内置故障重试、回退机制。

示例：

from langchain_core.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAIfrom langchain_core.output_parsers import StrOutputParser# 使用 LCEL 声明一个链：Prompt -> Model -> OutputParserchain = (    ChatPromptTemplate.from_messages([("system", "你是一个助手"), ("user", "{input}")])    | ChatOpenAI(model="gpt-3.5-turbo")    | StrOutputParser())# 调用链result = chain.invoke({"input": "你好吗？"})print(result)

4. 请详细解释Agent的执行流程（使用ReAct框架举例）。

答案：

Agent的执行是一个循环过程，其核心是 “思考 -> 行动 -> 观察”（ReAct框架）。

1. 用户输入： 用户提出一个复杂问题，例如“What was the high temperature in SF yesterday in Fahrenheit?”。

2. Agent初始化： 将问题、可用工具列表和ReAct指令模板组合成初始提示，发送给LLM。

3. 循环开始：

• •

  Step 1: Think - LLM根据当前信息思考下一步该做什么。它会输出一个Thought:，例如“I need to find the weather for yesterday in SF.”

• •

  Step 2: Act - LLM决定使用哪个工具（Action）以及输入是什么（Action Input）。例如Action: weather_search, Action Input: San Francisco, yesterday。

4. 工具执行： LangChain调用指定的weather_search工具，并获取结果（Observation:），例如“High: 65°F, Low: 52°F”。

5. 信息整合： 将Thought, Action, Observation加入到新的提示上下文中，再次发送给LLM。

6. 循环判断： LLM根据现有信息判断是否已经得到最终答案。如果已经得到，则输出Final Answer: 65°F；如果还需要更多信息，则回到Step 1继续循环。

▲ReAct工作流程

5. 什么是RAG？如何在LangChain中实现一个基本的RAG流程？

答案：

****RAG (Retrieval-Augmented Generation)： 检索增强生成。通过在生成答案前先从外部知识库中检索相关信息，并将其作为上下文提供给LLM，从而让LLM生成更准确、更符合事实的答案，并减少幻觉。

• 在LangChain中的实现步骤：

1. 加载文档 (Document Loading)： 使用TextLoader, WebBaseLoader等加载源文档。

2. 文档切分 (Splitting)： 使用RecursiveCharacterTextSplitter将长文档切分为小的、有重叠的块（Chunks）。

3. 向量化嵌入 (Embedding)： 使用OpenAIEmbeddings等模型将文本块转换为向量（Vector Embeddings）。

4. 存储索引 (Indexing)： 将向量存储在向量数据库（VectorStore）中，如Chroma, Pinecone，并创建索引。

5. 检索 (Retrieval)： 用户提问时，将问题也向量化，并从向量库中检索出最相关的k个文本块。

6. 生成 (Generation)： 将检索到的文本块作为上下文，与原始问题组合成一个增强的提示（Prompt），发送给LLM生成最终答案。

代码示例：

from langchain_community.document_loaders import WebBaseLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_openai import OpenAIEmbeddings, ChatOpenAIfrom langchain_chroma import Chromafrom langchain_core.prompts import ChatPromptTemplatefrom langchain.chains import create_retrieval_chain# 1. 加载 & 2. 切分loader = WebBaseLoader("https://example.com/article")docs = loader.load()text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)splits = text_splitter.split_documents(docs)# 3. 嵌入 & 4. 存储embeddings = OpenAIEmbeddings()vectorstore = Chroma.from_documents(documents=splits, embedding=embeddings)retriever = vectorstore.as_retriever()# 5. & 6. 组成RAG链llm = ChatOpenAI(model="gpt-3.5-turbo")prompt = ChatPromptTemplate.from_template(    """请根据以下上下文回答問題：    {context}    问题：{input}""")rag_chain = create_retrieval_chain(retriever, llm, prompt)result = rag_chain.invoke({"input": "文章的主要观点是什么？"})

6. LlamaIndex的核心价值是什么？它与LangChain的主要区别在哪？

答案：

核心价值： LlamaIndex是专门为LLM应用的数据层而设计的框架。它擅长高效地将私有或领域的特定数据与LLM连接起来，是构建RAG应用的专家和利器。它的口号是“为你的数据提供LLM接口”。

主要区别：

特性	LlamaIndex	LangChain
焦点	数据连接与检索 (RAG专家)	应用编排与代理 (通用型框架)
核心功能	数据索引、高级查询、结构化数据提取	链、代理、工具、内存管理
设计哲学	提供强大、开箱即用的数据管道	提供高度灵活、可组合的底层组件
关系	可以作为LangChain的一个组件（LlamaIndexRetriever）	包含并集成多种数据检索方式

简单说：如果你想快速、深度地构建一个以数据检索为核心的RAG应用，LlamaIndex更强大。如果你需要构建一个包含多种步骤（如调用API、逻辑判断、记忆）的复杂代理，LangChain更合适。 两者经常结合使用。

7. 解释LlamaIndex中的核心组件：Nodes, Indexes, Engines。

答案：

1. Nodes： 是Document对象的基本构建块。一个Node包含一段文本及其元数据。文档在被索引前会被解析和切分为多个Nodes。

2. Indexes： 是核心数据结构，用于组织Nodes以便LLM高效查询。最常见的索引是向量存储索引 (Vector Store Index)。

3. Engines： 为查询索引提供接口。不同类型的索引有不同的引擎。例如：

• •

  Query Engine： 是查询索引的高级抽象，接受自然语言查询并返回响应。

• •

  Chat Engine： 支持多轮、有状态的对话，内置了聊天历史管理。

8. LlamaIndex有哪些高级查询/检索模式？

答案：

除了简单的“问-答”检索，LlamaIndex提供了多种强大模式：

• •

  子查询 (Sub-Queries)： 将一个复杂问题分解为多个子问题，逐一查询后再综合答案。

• •

  多步查询 (Multi-Step Queries)： 类似于子查询，但步骤间可以传递和迭代信息。

• •

  假设查询 (Hypothetical Queries)： 给定一个查询，让LLM生成假设性的文档/答案，然后用这些假设文档去优化真正的检索。(HyDE)

• •

  基于时间的查询： 对具有时间戳的文档进行检索，优先返回最新的信息。

• •

  结构化数据提取： 从非结构化文本中提取出结构化的信息（如JSON格式）。

9. 在RAG中，文档切分（Chunking）为什么重要？有哪些策略？

答案：

重要性：

• •

  LLM有上下文窗口限制，必须将长文档切块。

• •

  切分的大小和质量直接影响检索精度。块太大，会包含无关信息；块太小，可能会丢失关键上下文。

• •

  合理的重叠（Overlap）可以避免句子或段落被割裂，保持语义完整性。

• 策略：

• •

  固定大小分块： 最简单，但可能割裂语义。

• •

  递归分块： 按字符递归地尝试不同分隔符（如\n\n, \n, ），直到达到理想块大小。这是最常用的策略。

• •

  语义分块： 使用嵌入模型计算句子相似度，在语义变化处进行切分。（更高级但更复杂）

• •

  专用分块： 对于代码（按函数/类）、Markdown（按标题）等特定格式有专用分块器。

10. 如何评估和提升RAG应用的效果？

答案：

• •

  评估指标：

• •

  检索精度： 检索到的上下文是否与问题相关？(Hit Rate, MRR@k, NDCG@k)

• •

  生成质量： 答案是否准确、相关、流畅？(可以通过LLM-as-a-judge或人工评估)

• •

  真实性： 答案是否减少了幻觉？

提升策略：

• •

  优化检索：

• •

  调整分块大小和重叠。

• •

  尝试不同的嵌入模型（如text-embedding-3-large）。

• •

  使用重排序（Re-Ranker）模型对检索结果进行精排，提升Top结果的准确性。

• •

  使用混合搜索（Hybrid Search），结合关键词（稀疏向量）和语义（稠密向量）检索。

• •

  优化生成：

• •

  优化提示工程，改进上下文的使用方式。

• •

  让模型在无法从上下文中找到答案时回答“我不知道”。

• •

  优化索引：

• •

  确保源数据质量高、干净。

• •

  为文档添加高质量的元数据（如标题、日期），便于元数据过滤查询。

11. 什么是ReAct框架？如何在LangChain中实现一个自定义Tool？

答案：

• •

  ReAct框架： Reason+ Act。它指导LLM在解决问题时进行推理（生成思考轨迹）并行动（调用工具）。详见第4题。

• •

  实现自定义Tool：

  需要定义一个继承BaseTool的类，并实现_run同步方法和/或_arun异步方法。

from langchain.tools import BaseToolfrom typing import Optionalclass CustomCalculatorTool(BaseTool):    name = "calculator"    description = "Useful for when you need to calculate a math problem"    def _run(self, query: str) -> str:        """同步执行工具的方法"""        try:            # 这里应该是安全的计算逻辑，例如使用eval不安全，此处仅为示例            return str(eval(query))        except:            return"计算错误"    async def _arun(self, query: str) -> str:        """异步执行工具的方法（可选）"""        raise NotImplementedError("此工具不支持异步调用")# 在Agent中初始化并使用tools = [CustomCalculatorTool()]agent = initialize_agent(tools, llm, agent="react-docstore", verbose=True)agent.run("What is 15 raised to the power of 2?")

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！