【面试必考】AI大模型岗位面试题之LangChain & LlamaIndex,大模型入门到精通，收藏这篇就足够了！

关注

原创最新推荐文章于 2026-08-31 10:22:46 发布 900 阅读 AI 写同款· GEO 优化 ›

AI Agent开发面试：核心考点与实战解析在AI工程领域，Agent系统正成为连接大模型与业务场景的关键技术。其核心原理是通过工具链整合和RAG（检索增强生成）架构，实现自主决策与任务执行。从技术实现看，Redis在向量检索和状态管理中发挥重要作用，而Transformer的注意力机制优化（如FlashAttention）则直接影响推理效率。工程实践中，开发者需要掌握分层索引、动态负载均衡等性能优化手段，这些技术在电商推荐、智能客服等高并发场景具有广泛应用。本文以字节跳动面试题为案例，详解多工具调度、TB级知识库检索等高频考点，特别适合准备AI岗位阅读详情

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 ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 使用 LCEL 声明一个链：Prompt -> Model -> OutputParser
chain = (
    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）。

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?”。
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。
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。

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”。
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。
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：

加载文档 (Document Loading)：使用TextLoader, WebBaseLoader等加载源文档。
文档切分 (Splitting)：使用RecursiveCharacterTextSplitter将长文档切分为小的、有重叠的块（Chunks）。
向量化嵌入 (Embedding)：使用OpenAIEmbeddings等模型将文本块转换为向量（Vector Embeddings）。
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。
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。
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 WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_chroma import Chroma
from langchain_core.prompts import ChatPromptTemplate
from 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：

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。
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)。
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 BaseTool
from typing import Optional

class 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?")

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！