面试题库

Python LangChain LangGraph 面试题

Python 基础与并发、LangChain 组件、RAG、Agent、LangGraph 状态图,共 20 题。

2026年9月17日

Python
AI
面试

Python、LangChain、LangGraph 面试题及答案

来源：resource/Python LangChain LangGraph面试题及答案.md

适用方向：Python 后端开发、LLM 应用开发、RAG 工程、AI Agent 工程、LangChain / LangGraph 项目落地。

建议复习顺序：Python 基础与并发 -> LangChain 核心组件 -> RAG 与 Agent -> LangGraph 状态图 -> 场景设计与排障。

1. Python 中 `list`、`tuple`、`dict`、`set` 的区别是什么？

参考答案：

list 是可变有序序列，适合存储需要增删改和保持顺序的数据。tuple 是不可变有序序列，适合表达固定结构的数据，例如坐标、函数返回的多值结果。dict 是键值对结构，底层基于哈希表，适合按 key 快速查询。set 是无序且元素唯一的集合，适合去重、交集、并集、差集等集合运算。

常见复杂度：

list 按索引访问是 O(1)，中间插入和删除通常是 O(n)。
dict 和 set 平均查询、插入、删除是 O(1)。
tuple 不可变，因此可以作为 dict 的 key，前提是内部元素也可哈希。

面试中可以补充：在需要频繁判断元素是否存在时，优先考虑 set；在需要表达固定不可变结构时，优先考虑 tuple。

2. Python 的浅拷贝和深拷贝有什么区别？

参考答案：

浅拷贝只复制对象最外层容器，内部嵌套对象仍然和原对象共享引用。深拷贝会递归复制对象及其内部嵌套对象，复制后两者通常互不影响。

示例：

import copy

a = [[1, 2], [3, 4]]
b = copy.copy(a)
c = copy.deepcopy(a)

a[0].append(99)
print(b)  # [[1, 2, 99], [3, 4]]
print(c)  # [[1, 2], [3, 4]]

高频考点是：浅拷贝对嵌套可变对象不安全，深拷贝更独立但成本更高。在真实项目中，不要无脑深拷贝大对象，应结合数据结构和性能成本选择。

3. Python 装饰器的原理是什么？常见使用场景有哪些？

参考答案：

装饰器本质上是一个接收函数并返回新函数的高阶函数。它可以在不修改原函数代码的情况下，为函数增加额外行为。

常见场景包括：

日志记录。
权限校验。
缓存。
重试。
性能统计。
参数校验。
Web 框架中的路由注册。

示例：

from functools import wraps
import time

def timer(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        print(f"{func.__name__} cost {time.time() - start:.3f}s")
        return result
    return wrapper

面试加分点：使用 functools.wraps 可以保留原函数的名称、文档字符串等元信息，避免调试和框架反射时出现问题。

4. 迭代器、生成器和可迭代对象的区别是什么？

参考答案：

可迭代对象是实现了 __iter__ 方法的对象，可以被 for 循环遍历，例如 list、dict、str。

迭代器是实现了 __iter__ 和 __next__ 的对象，每次调用 next() 返回一个值，直到抛出 StopIteration。

生成器是一种特殊迭代器，通常由带 yield 的函数创建。它不会一次性生成全部结果，而是按需惰性产生数据。

生成器适合处理：

大文件逐行读取。
数据流处理。
分页 API 拉取。
管道式数据转换。

回答时可以强调：生成器的优势是节省内存，但它通常只能顺序消费一次。

5. Python 的 GIL 是什么？它对多线程有什么影响？

参考答案：

GIL 是 Global Interpreter Lock，即全局解释器锁。在 CPython 中，同一时刻通常只有一个线程能执行 Python 字节码。

影响是：

对 CPU 密集型任务，多线程不能充分利用多核 CPU。
对 I/O 密集型任务，多线程仍然有价值，因为线程在等待网络、磁盘、数据库时可以切换。

常见选择：

I/O 密集型：threading、asyncio。
CPU 密集型：multiprocessing、进程池、C 扩展、NumPy 等释放 GIL 的库。
高并发网络服务：通常使用异步 I/O 或多进程部署。

面试中不要简单说“Python 多线程没用”。更准确的说法是：CPython 多线程不适合纯 Python CPU 密集型并行计算，但适合 I/O 并发。

6. `asyncio` 适合解决什么问题？和多线程有什么区别？

参考答案：

asyncio 适合大量 I/O 等待场景，例如高并发 HTTP 请求、数据库访问、消息队列消费、WebSocket 服务等。它基于事件循环和协程，在单线程内通过协作式调度切换任务。

和多线程的区别：

多线程由操作系统调度，可能涉及线程切换和锁竞争。
asyncio 由事件循环调度，任务需要主动 await 让出控制权。
多线程更容易封装同步阻塞代码。
asyncio 在高并发 I/O 下通常资源开销更小。

常见坑：

在协程里调用阻塞函数会卡住事件循环。
忘记 await 会导致协程没有真正执行。
CPU 密集型任务不适合直接放在事件循环里跑。

7. Python 中如何做异常处理和资源管理？

参考答案：

异常处理使用 try / except / else / finally。资源管理优先使用上下文管理器 with，因为它能确保文件、连接、锁等资源被正确释放。

示例：

try:
    with open("data.txt", "r", encoding="utf-8") as f:
        content = f.read()
except FileNotFoundError:
    content = ""
except UnicodeDecodeError as e:
    raise ValueError("文件编码错误") from e

常见原则：

不要裸写 except:，容易吞掉关键错误。
异常要带上下文，方便定位问题。
业务异常和系统异常要区分。
清理资源优先交给 with。

在 LangChain / LangGraph 项目中，工具调用、模型调用、检索服务都可能失败，因此异常要结构化处理，便于 Agent 判断是否重试、降级或转人工。

8. 场景题：Python 服务内存不断上涨，你会如何排查？

参考答案：

我会先确认是正常缓存增长、内存泄漏，还是请求量上升导致的内存压力。

排查步骤：

观察进程 RSS、对象数量、GC 情况和请求流量。
使用 tracemalloc、objgraph、memory_profiler 等工具定位大对象来源。
检查是否有全局 list、dict、缓存、闭包、单例对象不断持有引用。
检查连接池、文件句柄、模型客户端、向量库客户端是否未释放。
检查大文本、embedding、检索结果、对话历史是否无限累积。
对缓存设置容量、TTL 和淘汰策略。
在线上通过灰度、压测和监控确认修复效果。

如果是 LLM 应用，还要重点看 prompt 上下文、历史消息、文档 chunk、工具返回结果是否被长期保存在内存状态里。

9. LangChain 的核心组件有哪些？

参考答案：

LangChain 是用于构建 LLM 应用的框架，核心组件通常包括：

Models：统一调用不同模型供应商的聊天模型或文本模型。
Messages：用统一结构表达 system、human、AI、tool 等消息。
Prompts：管理提示词模板和变量填充。
Tools：把函数、API、数据库、搜索等能力暴露给模型或 Agent。
Output Parsers / Structured Output：把模型输出解析成 JSON、Pydantic 对象或业务结构。
Retrievers：根据查询返回相关文档，常用于 RAG。
Agents：让模型在工具循环中推理、选择工具、读取结果并完成目标。
Callbacks / Tracing：记录调用链路，便于调试、评估和观测。

面试回答可以补充：LangChain 更适合组件编排和快速接入生态；如果需要可控、可恢复、可持久化的复杂 Agent 工作流，可以结合 LangGraph。

10. LangChain 中 Chain、Agent、Tool 的区别是什么？

参考答案：

Chain 更像固定流程，步骤通常由开发者预先定义，例如“检索文档 -> 拼 prompt -> 调模型 -> 解析输出”。

Agent 更像动态决策器，它可以根据用户目标和中间结果决定是否调用工具、调用哪个工具、是否继续执行或结束。

Tool 是可被模型或 Agent 调用的外部能力，例如搜索、查数据库、发请求、执行代码、读文件等。

可以这样总结：

Chain：流程固定，适合稳定、可预测任务。
Agent：流程动态，适合开放式、多步骤任务。
Tool：Agent 连接外部世界的动作接口。

面试加分点：生产环境里不一定所有任务都要做成 Agent。对于强流程、高风险、规则明确的任务，固定 Chain 或 LangGraph 状态机往往更可靠。

11. LangChain 的 Tool Calling 需要注意哪些设计点？

参考答案：

Tool Calling 的关键是让模型能够准确理解工具用途，并生成合法参数。

设计要点：

工具名称要清晰，避免多个工具语义重叠。
工具描述要说明何时使用、何时不要使用。
参数类型和字段含义要明确，尽量使用结构化 schema。
返回值要稳定、简洁、可解析。
对高风险工具增加人工确认，例如删除数据、发邮件、转账。
工具内部要做参数校验、权限校验和异常处理。
工具调用日志要可追踪，便于排查错误。

常见坑：

工具太多导致模型选择混乱。
工具描述过短导致误调用。
返回大段无结构文本导致后续推理困难。
工具失败后没有错误码，Agent 无法判断是否重试。

12. LangChain 如何做结构化输出？为什么它很重要？

参考答案：

结构化输出是指让模型返回满足固定结构的数据，例如 JSON、Pydantic 对象、TypedDict 或 JSON Schema。

它很重要，因为生产系统通常不能只接收自然语言文本，而需要稳定字段，例如：

{
  "intent": "refund",
  "confidence": 0.92,
  "need_human_review": true
}

常见用途：

意图识别。
信息抽取。
表单填充。
路由决策。
工具参数生成。
风险等级判断。

设计时要注意：

schema 不宜过度复杂。
枚举值要明确。
对模型输出仍要做服务端校验。
低置信度或解析失败时要有兜底逻辑。

面试中可以强调：结构化输出让 LLM 从“聊天组件”变成“可被工程系统消费的模块”。

13. 如何用 LangChain 设计一个 RAG 问答系统？

参考答案：

典型 RAG 流程如下：

文档接入：读取 PDF、网页、Markdown、数据库、知识库等数据。
清洗切分：去噪、分段、保留标题和元数据。
向量化：使用 embedding 模型把文本转成向量。
索引存储：存入向量库，也可以结合关键词索引。
检索召回：根据用户问题召回相关文档片段。
重排序：用 reranker 或规则提升相关性。
答案生成：把问题和检索片段交给模型生成答案。
引用溯源：返回文档来源，方便用户验证。
评估优化：评估召回率、答案准确率、引用准确率和拒答质量。

高频追问：

chunk 太大召回不准，太小上下文不完整。
只用向量检索可能漏掉关键词精确匹配，生产中常用混合检索。
检索不到相关资料时，应明确说不知道或转人工，不能编造答案。

14. 场景题：RAG 回答经常不准确，你会如何优化？

参考答案：

我会按“数据质量 -> 切分策略 -> 检索召回 -> 重排序 -> 生成约束 -> 评估集”的顺序排查。

具体做法：

检查原始文档是否过期、重复、格式混乱或权限不一致。
优化 chunk 大小、重叠长度和元数据，例如标题、章节、时间、部门。
使用混合检索，把向量检索和 BM25 / 关键词检索结合。
加 reranker，减少无关片段进入上下文。
对多跳问题做 query rewrite 或问题拆解。
在 prompt 中要求答案必须基于检索片段，并标注引用。
检索置信度低时拒答或追问。
建立测试集，用真实问题评估召回和答案质量。

面试中可以补充：RAG 的问题不一定出在模型，也可能出在文档解析、索引、召回、权限过滤或评估缺失。

15. LangGraph 的核心概念是什么？

参考答案：

LangGraph 的核心是用图来编排有状态的 Agent 或工作流。最重要的概念包括：

State：共享状态，记录当前任务的输入、中间结果、消息、工具结果等。
Node：节点，本质上是 Python 函数，读取 state 并返回 state 更新。
Edge：边，决定下一个执行哪个节点。
Conditional Edge：条件边，根据状态动态路由。
START / END：图的开始和结束。
Reducer：控制多个节点对同一个状态字段的更新方式，例如覆盖或追加。
Checkpoint：把图执行状态保存下来，用于恢复、记忆、调试和人工介入。

一句话回答：LangGraph 适合把 Agent 从“自由循环”变成“有状态、可控、可恢复、可观测”的图工作流。

16. LangGraph 中 State 应该如何设计？

参考答案：

State 是 LangGraph 的核心数据结构，设计好坏会直接影响可维护性。

常见设计原则：

只放任务必需的数据，不要无限塞上下文。
字段命名清晰，例如 messages、query、documents、answer、error_count。
对追加型字段使用 reducer，例如消息列表、日志列表、候选结果列表。
对覆盖型字段保持简单，例如当前意图、最终答案、状态码。
对敏感字段谨慎保存，避免进入日志或长期记忆。
大对象不要直接塞进 state，可以存引用、文件路径或对象 ID。

示例：

from typing import Annotated
from typing_extensions import TypedDict
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    query: str
    retrieved_docs: list
    answer: str
    error_count: int

面试加分点：State 不是越全越好，而是要让每个节点的输入输出清晰，便于恢复、测试和调试。

17. LangGraph 中普通边、条件边和 `Command` 的区别是什么？

参考答案：

普通边用于固定流程，例如 A 执行完一定到 B。

条件边用于动态路由，例如根据分类结果决定进入“客服节点”“退款节点”或“人工审核节点”。

Command 可以在节点返回时同时完成两件事：更新 state，并指定下一步跳转到哪里。它适合“计算结果和路由决策强相关”的场景。

示例理解：

add_edge("a", "b")：固定从 a 到 b。
add_conditional_edges("router", route_fn)：由 route_fn(state) 决定下一节点。
return Command(update={...}, goto="review")：节点自己更新状态并跳到 review。

注意点：同一个节点不要同时混用静态边和动态路由，否则可能导致多个路径都执行，使流程难以理解。

18. LangGraph 的 checkpoint / persistence 有什么作用？

参考答案：

Checkpoint 是把图在执行过程中的状态保存下来。它的作用包括：

短期记忆：同一个 thread 可以保留多轮对话上下文。
断点恢复：长任务失败后可以从上一次成功状态继续。
人工介入：在关键步骤暂停，让人审批后继续。
时间回溯：回放或分叉过去的执行状态，便于调试。
容错执行：部分节点成功、部分节点失败时，可以减少重复计算。

开发环境可以使用内存型 checkpointer，生产环境应使用数据库等持久化方案。回答时可以强调：没有 checkpoint 的复杂 Agent 很难做到可靠恢复和人工审批。

19. 场景题：用 LangGraph 设计一个需要人工审批的 SQL Agent，你会怎么做？

参考答案：

我会把 SQL Agent 设计成一个带状态和审批节点的图，而不是让模型直接执行 SQL。

流程设计：

理解问题节点：解析用户问题、业务目标和查询范围。
生成 SQL 节点：让模型生成只读 SQL 或待执行 SQL。
SQL 校验节点：检查语法、表权限、危险关键字、扫描范围和参数合法性。
影响评估节点：对写操作先转换成预览或 explain，展示影响行数和样例。
人工审批节点：对 DELETE、UPDATE、INSERT、导出敏感数据等操作触发 interrupt。
执行节点：审批通过后用最小权限账号执行。
结果总结节点：把结果转成用户可读答案。
审计节点：记录用户、SQL、审批结果、影响范围和执行时间。

关键控制：

默认只允许只读查询。
高风险 SQL 必须人工确认。
禁止模型拼接未校验的用户输入。
限制最大返回行数和执行时间。
对敏感字段做脱敏。

面试加分点：LangGraph 的 checkpoint 可以保存审批前状态，审批通过后从同一个 thread 恢复执行。

20. 场景题：你要从 0 到 1 落地一个 Python + LangChain + LangGraph 的企业知识库 Agent，会怎么做？

参考答案：

我会分五个阶段推进：场景定义、RAG 基建、Agent 编排、安全控制、评估上线。

第一阶段：明确场景

选择高频、低风险、知识边界清晰的问题，例如制度问答、产品文档问答、内部流程咨询。定义成功指标：答案准确率、引用准确率、召回率、平均响应时间、人工转接率。

第二阶段：搭建 RAG

用 Python 接入文档源，进行解析、清洗、切分、embedding、向量索引和混合检索。保留文档标题、章节、更新时间、权限标签等元数据。

第三阶段：LangChain 组件化

使用模型接口、Prompt、Retriever、Tool、结构化输出等组件。把搜索知识库、查询工单、查询权限、创建反馈单等能力封装成工具。

第四阶段：LangGraph 编排

用 StateGraph 设计流程：

用户问题进入。
意图识别。
权限过滤。
检索文档。
判断是否足够回答。
生成答案和引用。
低置信度转人工或追问。
保存反馈和日志。

第五阶段：生产化

加入 checkpoint、日志、监控、错误重试、成本控制、限流、Prompt Injection 防护、灰度发布和评估集。上线后根据真实问题持续优化 chunk、检索、rerank、prompt 和工具。

一句话总结：Python 负责工程底座，LangChain 负责 LLM 组件生态，LangGraph 负责把复杂 Agent 流程变成可控、可恢复、可观测的状态图。

加分追问清单

Python 中 is 和 == 的区别是什么？
Python 的闭包会导致什么引用问题？
什么时候用线程池，什么时候用进程池？
LangChain 的 Runnable 思想是什么？
Tool 描述怎么写才能降低误调用？
RAG 中 chunk size 如何选择？
如何做 query rewrite 和 multi-query retrieval？
LangGraph 的 reducer 为什么重要？
LangGraph 循环如何设置终止条件？
如何防止 Agent 无限调用工具？
人工审批节点如何恢复执行？
如何评估一个 Agent 的任务成功率？
如何做 Prompt Injection 防护？
如何控制 token 成本和响应延迟？
什么时候不应该使用 Agent？

面试表达模板

回答这类综合场景题时，可以按这个顺序说：

业务目标：先说明要解决什么问题。
Python 工程底座：并发、异常、日志、配置、测试、部署。
LangChain 组件：模型、Prompt、Retriever、Tool、结构化输出。
LangGraph 流程：State、Node、Edge、条件路由、checkpoint。
安全边界：权限、审批、脱敏、注入防护、审计。
评估指标：准确率、召回率、任务成功率、延迟、成本、用户满意度。

核心表达：面试官不只是在考会不会调用库，而是在看你能不能把 Python、LangChain 和 LangGraph 组合成稳定、可控、可上线的 AI 工程系统。

参考资料

LangChain 官方文档：Agents、Models、Tools、Human-in-the-loop。
LangGraph 官方文档：Graph API、StateGraph、Persistence、Interrupts、Workflows and agents。
Python 官方文档：数据模型、并发、异常处理、上下文管理器、标准库。

Python、LangChain、LangGraph 面试题及答案

1. Python 中 list、tuple、dict、set 的区别是什么？

2. Python 的浅拷贝和深拷贝有什么区别？

3. Python 装饰器的原理是什么？常见使用场景有哪些？

4. 迭代器、生成器和可迭代对象的区别是什么？

5. Python 的 GIL 是什么？它对多线程有什么影响？

6. asyncio 适合解决什么问题？和多线程有什么区别？

7. Python 中如何做异常处理和资源管理？

8. 场景题：Python 服务内存不断上涨，你会如何排查？

9. LangChain 的核心组件有哪些？

10. LangChain 中 Chain、Agent、Tool 的区别是什么？

11. LangChain 的 Tool Calling 需要注意哪些设计点？

12. LangChain 如何做结构化输出？为什么它很重要？

13. 如何用 LangChain 设计一个 RAG 问答系统？

14. 场景题：RAG 回答经常不准确，你会如何优化？

15. LangGraph 的核心概念是什么？

16. LangGraph 中 State 应该如何设计？

17. LangGraph 中普通边、条件边和 Command 的区别是什么？

18. LangGraph 的 checkpoint / persistence 有什么作用？

19. 场景题：用 LangGraph 设计一个需要人工审批的 SQL Agent，你会怎么做？

20. 场景题：你要从 0 到 1 落地一个 Python + LangChain + LangGraph 的企业知识库 Agent，会怎么做？

加分追问清单

面试表达模板

参考资料

1. Python 中 `list`、`tuple`、`dict`、`set` 的区别是什么？

6. `asyncio` 适合解决什么问题？和多线程有什么区别？

17. LangGraph 中普通边、条件边和 `Command` 的区别是什么？