这类大模型面试题集最核心的价值不是让你背答案而是帮你快速理清一个复杂技术栈里哪些是高频考点哪些是实际落地时最容易混淆的概念。特别是当“Langfuse追踪评估”、“LangChain”、“LangGraph”、“RAG”、“Agent”这些词堆在一起时新手很容易迷失在工具和框架的海洋里分不清它们各自解决什么问题以及如何协同工作。这篇文章会围绕“2026大模型面试100问”这个主题但不会简单罗列100个问题。我会以一个面试官和一线开发者的双重视角帮你拆解这些技术栈的核心脉络、高频考点和实战避坑点。目标是让你看完后不仅能应对面试中关于“区别”、“原理”、“场景”的提问更能建立起一套清晰的工程化思维什么时候该用哪个工具如何评估效果以及如何排查问题。1. 先理清核心工具栈LangChain、LangGraph、Langfuse 各自扮演什么角色面试中最常见的第一类问题就是“请说一下 LangChain、LangGraph 和 Langfuse 的区别与联系”。很多人会陷入功能罗列但更有效的回答是讲清楚它们在应用开发生命周期中的不同定位。1.1 LangChain应用开发的“脚手架”和“粘合剂”LangChain 的核心定位是简化大模型应用的构建流程。它不是一个运行时而是一个开发框架。它解决了什么在没有 LangChain 之前你要连接大模型 API、处理文本分割、管理向量数据库、设计提示词模板、调用外部工具需要写大量胶水代码。LangChain 把这些通用模式抽象成了可复用的组件如 LLM、PromptTemplate、Chains、Agents、Retrievers。关键理解你可以把 LangChain 想象成 Web 开发中的 Spring 或 Django。它提供了标准化的方式来组织你的代码逻辑。它的Chain是把多个组件按顺序组合起来的工作流。它的Agent是让 LLM 能够动态决定调用哪些工具包括 Chains的决策器。面试高频点LCEL (LangChain Expression Language)这是 LangChain 最新的、推荐的链式构建方式。面试官可能会让你对比传统的LLMChain和基于 LCEL 的链写法。Tools 和 Toolkits如何为 Agent 自定义工具StructuredTool和普通Tool的区别工具调用的性能受什么影响答案通常是网络延迟、LLM 生成速度、工具本身执行耗时。MemoryConversationBufferMemory,ConversationSummaryMemory等不同记忆类型的适用场景。与原生 LLM Function Call 区别LangChain 的 Tool Calling 是对各大模型厂商 Function Calling 能力的一层抽象和统一封装使其接口一致并方便与 LangChain 的 Agent 框架集成。速度主要受封装层开销、网络及 LLM 本身影响。1.2 LangGraph复杂、有状态工作流的“编排引擎”LangGraph 是构建在 LangChain 之上的一个库用于创建有环、有状态、可持久化的复杂工作流。它解决了什么传统的 LangChainChain是线性或简单分支的难以描述像“多轮对话”、“审批流程”、“循环检查直到条件满足”这类带有状态和循环的复杂场景。LangGraph 引入了图Graph的概念节点是处理步骤边是流转条件并且维护一个全局的State对象。关键理解如果 LangChain 的 Chain 是“管道”那么 LangGraph 就是“流程图”或“状态机”。它特别适合构建复杂的 Agent比如 ReAct 模式需要“思考-行动-观察”循环、多角色协作系统、或任何需要根据中间结果动态改变执行路径的应用。面试高频点State 设计StateGraph中State对象的 Schema 如何定义如何通过Reducer如add_messages来更新状态这是理解 LangGraph 的核心。节点Node与边Edge如何定义节点函数条件边conditional_edges和普通边add_edge如何使用编译与执行graph.compile()之后得到的是一个可执行对象通过.invoke()或.stream()来运行。stream()可以实时看到每个节点的输出用于调试。如何暂停/取消LangGraph 本身没有内置的“暂停”API。通常需要在节点逻辑中检查外部标志位或通过持久化Checkpointer来实现状态的保存与恢复间接达到“暂停”效果。stream()的终止也是通过外部中断如键盘中断或节点中抛出异常来实现。与 LangChain 的关系LangGraph 可以独立使用但它与 LangChain 生态无缝集成。你可以使用 LangChain 的 LCEL、Tools、Models 作为 LangGraph 节点的一部分。1.3 Langfuse应用生产部署的“监控和评估平台”Langfuse 是一个独立的、开源可自部署的可观测性Observability和评估Evaluation平台。它和 LangChain/LangGraph 不是替代关系而是互补关系。它解决了什么当你的 AI 应用上线后你需要知道用户问了什么模型回答了啥整个调用链Chain/Graph每一步花了多长时间消耗了多少 Token最终答案的质量如何Langfuse 通过 SDK 自动或手动插桩收集这些**追踪Trace**数据并提供可视化、分析和评估功能。关键理解LangChain/LangGraph 帮你构建应用Langfuse 帮你监控、调试和优化运行中的应用。它类似于 Web 开发中的 APM应用性能监控工具如 Datadog 或 New Relic但是专为 LLM 工作流设计。面试高频点Trace, Span, Generation这三个核心概念的关系。一个 Trace 是一次完整的请求如一次用户问答里面包含多个 Span如“检索”、“生成”等步骤每个 Span 下可能有具体的 GenerationLLM 调用详情。集成方式如何通过Langfuse回调处理器CallbackHandler集成到 LangChain/LangGraph 应用中环境变量LANGFUSE_SECRET_KEY和LANGFUSE_PUBLIC_KEY的作用是什么评估Evaluation这是 Langfuse 的强项。评估分为手动评估在后台界面人工对结果打分、写评语。自动评估利用 LLM如 GPT-4作为裁判根据你定义的评分标准相关性、正确性、有害性等或通过对比pairwise来自动打分。分类评估针对输出结果进行多分类判断。生产价值能帮助定位瓶颈是检索慢还是生成慢、分析成本哪个提示词最耗 Token、评估效果新模型或新提示词是否比旧版本好。一句话总结关系用LangChain组装你的零件模型、工具、记忆用LangGraph设计复杂的流水线带状态和循环用Langfuse给整个流水线装上监控摄像头和质检仪。2. 深入核心场景RAG 与 Agent 的面试题如何拆解“RAG”和“Agent”是当前大模型应用的两大核心范式也是面试的绝对重点。问题往往不会直接问定义而是结合场景和问题。2.1 RAG检索增强生成场景题与八股文RAG 的面试题通常围绕“效果优化”和“故障排查”。场景题示例“我们做了一个知识库问答系统但用户经常反馈答案不准确或包含幻觉你会从哪些方面进行优化”不要一上来就谈换模型。应该遵循一个排查优化路径检索阶段文本分割你的chunk_size和chunk_overlap设置是否合理对于技术文档小片段200-300字可能更好对于连贯叙事可以大一些。重叠是为了避免上下文断裂。嵌入模型是否使用了适合你语料领域和语言的嵌入模型text-embedding-ada-002是通用选择但对于中文或专业领域BGE、M3E可能更优。评估检索效果是关键可以计算检索结果的召回率。检索器是简单的向量相似度检索还是融合了关键词BM25的混合检索后者能提高召回率。检索数量ktop_k值是多少太小可能漏掉关键信息太大可能引入噪声。可以尝试动态调整 k。生成阶段提示词工程你的系统提示词是否明确要求“仅根据上下文回答”、“不知道就说不知道”是否将检索到的上下文清晰、无丢失地传递给 LLM上下文压缩/重排检索到的多个片段是否直接拼接可以引入ContextualCompressionRetriever或LLMChainExtractor来压缩无关信息或用CohereRerank等对片段进行重排只把最相关的交给 LLM。整体评估如何量化评估 RAG 的效果不能只靠人工看。要定义评估指标如答案相关性Answer Relevance、上下文忠实度Faithfulness、答案正确性Answer Correctness。这正是Langfuse等工具可以大显身手的地方实现自动化评估。八股文要点RAG 完整流程文档加载 - 文本分割 - 向量化 - 存储到向量数据库 - 用户查询 - 查询向量化 - 检索相似片段 - 组合提示词 - LLM 生成答案。向量数据库选型Chroma轻量开发Pinecone/Weaviate云服务生产PGVector与 Postgres 生态结合。选择时考虑维度、过滤能力、吞吐量、成本。Self-Querying Retriever让 LLM 将用户自然语言查询解析成向量搜索的过滤条件如元数据过滤用于“找去年三月份的销售报告”这类查询。2.2 Agent智能体场景题与实战要点Agent 的核心是“让 LLM 学会使用工具”。场景题示例“设计一个旅行规划 Agent它可以根据用户需求查询天气、航班和酒店信息并生成一份计划。”拆解思路工具定义需要三个工具或三个 Chainget_weather(city, date)search_flights(from, to, date)find_hotels(city, date)。每个工具都要有清晰的描述description供 LLM 理解其功能。Agent 类型选择LangChain 提供了多种 Agent 类型。对于需要多步推理的ReAct类型是经典选择。对于 OpenAI 最新模型OPENAI_FUNCTIONS或STRUCTURED_CHAT类型可能更高效。工作流设计这是一个典型的有状态、多步骤、可能循环的场景。用户可能说“先看天气如果下雨就换城市”。这用简单的 Chain 很难描述但用LangGraph就非常合适。你可以设计一个图节点包括“解析需求”、“查询天气”、“决策是否换城市”、“查询航班”、“查询酒店”、“汇总报告”边根据天气结果进行条件流转。记忆Memory用户可能在规划中多次交互“把酒店预算调高一点”。需要在State中维护对话历史和当前规划状态。评估与追踪这个 Agent 的决策过程复杂必须用Langfuse进行追踪。记录每一次工具调用、LLM 的思考过程、最终输出并评估其规划是否合理、工具调用是否准确。这对于调试和优化至关重要。实战避坑点工具描述要精准模糊的描述会导致 LLM 错误调用工具。控制“幻觉”和无限循环设置max_iterations或max_execution_time来限制 Agent 的最大步数防止陷入死循环。错误处理工具调用可能失败API 超时、无结果。Agent 或 Graph 节点中需要有错误处理逻辑比如重试或返回友好提示。成本与延迟每一次工具调用和 LLM 思考都增加成本和延迟。在设计时要权衡是否有些信息可以并行获取是否有些步骤可以简化3. 从零搭建一个可追踪、可评估的 LangGraph Agent 实战理论说再多不如一个具体例子。我们以“一个能查询天气并决定是否建议外出的简单 Agent”为例串联起 LangChain、LangGraph 和 Langfuse。注意以下为概念性代码和步骤旨在展示思路。实际运行需要安装相应包并配置 API Key。3.1 环境准备与工具定义首先定义我们的核心工具一个模拟的天气查询工具。# 安装核心库 # pip install langchain langchain-openai langgraph langfuse import os from typing import TypedDict, Annotated, Literal from langchain_core.tools import tool from langchain_openai import ChatOpenAI # 1. 定义工具 tool def get_weather(city: str) - str: 查询指定城市的天气情况。 # 模拟实现真实情况调用天气API weather_data { 北京: 晴15-25°C微风, 上海: 多云18-28°C东南风3级, 广州: 雷阵雨25-32°C南风4级, } return weather_data.get(city, f未找到{city}的天气信息。) # 初始化LLM llm ChatOpenAI(modelgpt-4o-mini, temperature0) tools [get_weather] llm_with_tools llm.bind_tools(tools)3.2 用 LangGraph 构建有状态的 Agent 工作流我们将构建一个包含“思考”、“行动”、“评估”三个核心节点的图。from langgraph.graph import StateGraph, END from langgraph.prebuilt import ToolExecutor, ToolInvocation import operator # 2. 定义状态结构 class AgentState(TypedDict): messages: Annotated[list, operator.add] # 消息历史 next: Literal[think, act, evaluate, __end__] # 下一步该去哪个节点 # 3. 创建图和节点 graph_builder StateGraph(AgentState) # 工具执行器 tool_executor ToolExecutor(tools) def think_node(state: AgentState): 思考节点让LLM分析当前对话决定下一步是行动还是结束。 # 基于对话历史让LLM决定下一步 system_prompt 你是一个天气助手。根据对话历史决定下一步 - 如果用户提供了一个城市名且你还没有查询天气就决定去“act”查询天气。 - 如果已经查询了天气或者用户的问题与天气无关就决定去“__end__”结束。 只返回“act”或“__end__”。 prompt f{system_prompt}\n\n历史对话{state[messages]} decision llm.invoke(prompt).content.strip().lower() return {next: decision if decision in [act, __end__] else __end__} def act_node(state: AgentState): 行动节点执行工具调用查询天气。 # 从最后一条用户消息中提取城市这里简化处理实际应用需要更鲁棒的解析 last_msg state[messages][-1].content if state[messages] else # 简单提取可能是“北京天气怎么样” city last_msg.replace(天气, ).replace(怎么样, ).strip() if not city: return {messages: [{role: assistant, content: 请告诉我您想查询哪个城市的天气。}], next: think} # 执行工具调用 tool_invocation ToolInvocation(toolget_weather, tool_input{city: city}) result tool_executor.invoke(tool_invocation) # 将结果添加到消息历史 new_message {role: assistant, content: f{city}的天气是{result}} return {messages: [new_message], next: evaluate} def evaluate_node(state: AgentState): 评估节点根据天气结果给出是否外出的建议。 last_msg_content state[messages][-1].content # 简单规则如果天气包含“雨”或“雷”不建议外出 if any(word in last_msg_content for word in [雨, 雷, storm]): advice 天气不佳建议您今天尽量减少外出。 else: advice 天气不错适合外出活动 final_message {role: assistant, content: f{last_msg_content}\n\n建议{advice}} return {messages: [final_message], next: __end__} # 4. 添加节点和边 graph_builder.add_node(think, think_node) graph_builder.add_node(act, act_node) graph_builder.add_node(evaluate, evaluate_node) # 设置入口点 graph_builder.set_entry_point(think) # 根据“next”状态的值决定流向 graph_builder.add_conditional_edges( think, lambda state: state.get(next, __end__), { act: act, __end__: END, } ) graph_builder.add_edge(act, evaluate) graph_builder.add_edge(evaluate, END) # 编译图 graph graph_builder.compile()3.3 集成 Langfuse 进行追踪和评估现在我们将 Langfuse 的回调处理器集成进来记录每一次图的执行。from langfuse.callback import CallbackHandler # 初始化 Langfuse 回调处理器需要设置环境变量 LANGFUSE_PUBLIC_KEY, LANGFUSE_SECRET_KEY langfuse_handler CallbackHandler() # 使用 Langfuse 追踪执行 config {callbacks: [langfuse_handler]} try: # 模拟用户输入 initial_state AgentState(messages[{role: user, content: 北京天气怎么样}], nextthink) # 执行图 final_state graph.invoke(initial_state, configconfig) print(最终回答, final_state[messages][-1][content]) except Exception as e: print(f执行出错{e})执行后登录你的 Langfuse 后台本地或云服务就能看到一个完整的 Trace。里面会包含一个根 Trace代表这次用户查询。多个 Span对应think_node,act_node,evaluate_node的执行。Generation 详情在think_node中调用 LLM 的输入和输出。工具调用act_node中调用get_weather工具的输入和输出。3.4 在 Langfuse 中设置自动评估追踪是第一步评估才能衡量好坏。我们可以在 Langfuse 中为这个 Trace 设置自动评估。在 Langfuse 界面创建评估进入项目设置创建一个名为“外出建议合理性”的评估。定义评分标准例如可以设置一个 LLM 作为裁判提示词为“判断助手根据天气给出的外出建议是否合理。天气差时建议不外出的得高分天气好时建议外出的得高分。只输出1-10分的整数。”关联到 TraceLangfuse SDK 支持在代码中手动发送评估结果也可以通过后台的“批量评估”功能基于已有 Trace 运行自动评估。这样每次 Agent 运行后你不仅能看过程还能得到一个量化的分数用于比较不同提示词、不同模型或不同工作流设计的优劣。4. 面试高频“区别类”与“原理类”问题精讲最后集中梳理一些散落在热搜词和常见面试中的难点。4.1 LangChain vs LangGraph vs LangSmith vs Dify这是一个经典的“选型”问题。工具核心定位解决什么问题类比LangChain应用开发框架提供构建LLM应用的标准组件和抽象Models, Prompts, Chains, Agents, Memory。像Spring Boot 提供了一套开发规范和各种 Starter。LangGraph复杂工作流编排库用于构建有状态、带循环、多分支的复杂Agent或业务流程。基于图结构。像Airflow或Camunda工作流引擎但专为LLM应用设计。LangSmith开发调试平台(商业)LangChain官方出品用于调试、测试、监控和评估LangChain应用。提供Trace可视化、数据集管理、自动化评估。像LangChain 应用的 IDE 测试平台。Langfuse可观测性与评估平台(开源)通用的LLM应用监控和评估平台。不限于LangChain可集成任何LLM调用。提供Trace、分析、自动化评估。像Datadog for LLM Apps。Dify低代码应用开发平台通过可视化界面无需或少量代码快速搭建RAG、Agent等AI应用。内置引擎、UI、知识库管理等。像WordPress for AI Apps 开箱即用。面试回答要点LangChain/LangGraph 是代码库给开发者用的LangSmith/Langfuse 是运维监控平台Dify 是无代码/低代码平台面向更广泛的用户。选择取决于你的角色开发者 vs 业务人员和阶段开发 vs 生产部署。4.2 RAG 评估到底评估什么这是从“RAG评估”、“分类评估”等热词延伸的核心问题。不能只说“评估效果好坏”。检索阶段评估召回率Recall对于一组问题系统检索到的相关文档片段占所有相关片段的比例。命中率Hit Rate对于一组问题至少检索到一个相关片段的问题所占的比例。平均排名MRR第一个相关片段出现位置的倒数的平均值。生成阶段评估答案相关性Answer Relevance生成的答案与用户问题的匹配程度。可以用LLM基于问题对答案打分。上下文忠实度Faithfulness答案中的陈述是否都能从提供的上下文中找到依据避免幻觉。可以用LLM判断答案中的每个事实是否被上下文支持。答案正确性Answer Correctness结合标准答案如果有进行评估如BLEU、ROUGE或LLM裁判对比。端到端评估人工评估黄金标准但成本高。LLM 作为裁判用更强的LLM如GPT-4对答案的质量、有用性、安全性进行打分或对比评估Pairwise。Langfuse 的自动评估核心就是做这个。4.3 Agent 的长期记忆Long-term Memory如何实现“LangGraph 长期记忆”是一个具体的技术点。在 LangGraph 中记忆通过State来维护。对话记忆最简单的是在State中维护一个消息列表 (messages)。LangChain 的add_messagesreducer 就是干这个的。摘要记忆当对话很长时可以将历史消息摘要后存储以节省 Token 并聚焦重点。这可以在某个节点中调用 LLM 生成摘要然后更新到 State 的一个特定字段。外部知识记忆Agent 可以将重要信息写入外部数据库如向量库。当需要时通过一个“检索”工具从外部库中读取。这实现了超越单次对话的长期记忆。LangGraph 的 Checkpointer这是实现持久化长期记忆的关键。Checkpointer可以将整个State序列化存储到数据库如SQLite、Postgres。即使应用重启Agent 也能从上次中断的状态恢复。这对于运行时间极长的任务如自动化研究至关重要。实现要点在定义StateGraph时传入一个checkpointer参数。然后在执行graph.invoke()时通过config指定一个thread_id。相同thread_id的对话会共享并持久化其状态。面对“2026大模型面试100问”这类庞杂的题库最好的准备方法不是死记硬背而是建立起清晰的技术地图。理解 LangChain 是构建块LangGraph 是编排器Langfuse 是观察镜。在回答 RAG 问题时脑子里要有“检索-生成-评估”的完整闭环和优化漏斗。在回答 Agent 问题时要能画出“感知-规划-行动”的循环图并思考状态如何管理、工具如何设计、流程如何控制。真正的面试官想看到的是你能否把这些工具和概念灵活地组织起来去解决一个真实的、模糊的业务问题。所以多动手搭一个像本文第三节那样的微型全链路项目体会从工具定义、图构建、到追踪评估的完整过程比你刷一百道八股文都管用。当你被问到“如何优化”或“如何设计”时你就能自然地从一个可落地、可观测的工程视角来展开回答了。