【AI应用进阶之旅】LangChain大语言模型LLM面试题:LangChain 基础知识

【AI应用进阶之旅】LangChain大语言模型LLM面试题:Prompt 与 Chain Chain(链)是 LangChain 中用于组合多个处理步骤的概念,可以将 Prompt、LLM、OutputParser、Retriever 等组件连接起来,形成一个完整的处理流程。它主要解决的是:如何将多个独立的处理步骤组合起来,让数据按照指定流程依次执行。 阅读详情

本文整理了 LangChain 基础知识(初级) 相关的 15 道面试题,内容涵盖 LangChain 核心组件、ChatModel 模型调用、PromptTemplate 提示词模板、Message 消息类型、OutputParser 输出解析、Runnable 执行机制、RunnableSequence、LCEL 表达式语言,以及流式输出与异步调用等核心知识点。

每道题都结合实际 AI 应用开发场景,补充了核心概念、实现原理与代码示例,帮助开发者理解 LangChain 的基本使用方式,掌握从模型调用到组件组合的开发流程,为后续学习 RAG、Tool Calling、Agent 和 LangGraph 等进阶技术打下基础。

本文适合 AI 应用开发人员学习与复习,建议结合实际项目动手练习,加深对 LangChain 核心机制的理解,提升面试应对能力。

一、什么是 LangChain?它主要解决什么问题?

LangChain是一个用于开发基于大语言模型(LLM)应用的开源框架,主要帮助开发者将大语言模型与prompt、外部工具、知识库、数据库以及业务API等进行整合。

它解决的核心问题是:如何将大语言模型的能力与外部数据、工具和业务逻辑结合起来,构建完整的AI应用。

例如:在开发一个企业智能客服时,可以使用LangChain:

  • 使用 PromptTemplate 管理提示词。
  • 使用 ChainModel 调用大语言模型。
  • 使用 Retrievel 检索知识库。
  • 使用 Tool Calling 调用外部业务接口。
  • 使用 Runnable 将多个处理步骤串联起来。

简单理解:
LangChain就是一个帮助开发者快速构建LLM应用的开发框架。

二、LangChain的核心组件有哪些?

LangChain 包含多个核心组件,常见的有以下:

核心组件 作用
Models 调用大语言模型,生成回答
Prompts 管理和构建提示词
Messages 管理多轮对话消息
Output Parsers 将模型输出转换指定格式
Retrievers 从知识库中检索相关文档
Tools 封装外部工具和业务接口
Chains / Runnables 将多个处理步骤组合起来
Memory 管理对话历史和上下文

例如:一个简单的RAG应用可以通过Prompt、ChainModel、Retrievel和Outperser等组件组合实现。
需要注意:LangChain新版本更加推荐使用Runnable和LCEL组合应用流程,而不是依赖早期的传统CHain写法。

三、LangChain和直接调用OpenAPI有什么区别?

直接调用 OpenAPI,主要是通过 HTTP 请求与模型进行交互,需要开发者自己处理请求参数、消息格式、流式响应、异常处理以及业务流程。
而 LangChain 在模型 API 的基础上,提供了统一的组件接口和流程编排能力。

对比维度 直接调用 OpenAI API LangChain
模型调用 自己封装请求 统一模型接口
Prompt 管理 自己维护 PromptTemplate
模型切换 需要修改调用代码 更换模型实例
输出解析 自己处理 OutputParser
RAG 开发 自己实现检索流程 提供 Retriever 等组件
工具调用 自己处理工具逻辑 提供 Tool 相关组件
流程编排 自己编写业务逻辑 Runnable / LCEL

例如:

直接调用 OpenAI API 时,需要自己组织 HTTP 请求。

使用 LangChain 时,可以直接使用 ChatOpenAI:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="qwen/qwen3.5-27b", temperature=0)

response = llm.invoke("什么是 LangChain?")

print(response.content)

总结:

直接调用 API 更加灵活、依赖更少;LangChain 更适合构建涉及模型、知识库、工具调用和复杂业务流程的 LLM 应用。

四、LangChain支持哪些大语言模型?

LangChain 支持多种大语言模型,可以通过不同的模型集成包接入不同厂商的模型。

常见的模型包括:

模型厂商 代表模型
OpenAI GPT 系列
Anthropic Claude 系列
Google Gemini 系列
阿里云 Qwen(通义千问)
DeepSeek DeepSeek 系列
智谱 AI GLM 系列
百度 ERNIE(文心)
Ollama 本地部署模型

例如,接入 OpenAI:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.5"
)

接入 DeepSeek(兼容 OpenAI 接口的服务):

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-chat",
    api_key="你的 API Key",
    base_url="https://api.deepseek.com"
)

总结:

LangChain 通过不同的模型集成包,或者兼容 OpenAI API 的接口,可以接入云端模型和本地部署模型。

五、什么是 ChatModel?

ChatModel 是 LangChain 中用于调用聊天模型的核心组件,主要负责接收消息列表,并调用大语言模型生成回复。

与传统的文本模型不同,ChatModel 主要采用结构化消息的方式进行交互,例如 SystemMessage、HumanMessage 和 AIMessage。

示例:

from langchain_core.messages import (
    SystemMessage,
    HumanMessage
)

# 初始化模型
llm = ChatOpenAI(
    model="gpt-5.5",
    temperature=0.7
)

# 构建消息
messages = [
    SystemMessage(content="你是一个专业的 Python 助手"),
    HumanMessage(content="什么是 Flask?")
]

# 调用模型
response = llm.invoke(messages)

print(response.content)

ChatModel 常用的方法:

方法 作用
invoke() 同步调用模型
ainvoke() 异步调用模型
stream() 流式输出
astream() 异步流式输出

六、什么是 PromptTemplate?

PromptTemplate 是 LangChain 提供的提示词模板组件,用于将固定提示词和动态变量组合起来,生成最终发送给大语言模型的 Prompt。

它可以避免在代码中频繁使用字符串拼接,让提示词更加规范和易于维护。

示例:

from langchain_core.prompts import P
【AI应用进阶之旅】LangChain大语言模型LLM面试题:RAG 知识库 文档加载器负责将不同格式的数据统一转换为 Document,方便后续进行分块、向量化和检索。 阅读详情

相关推荐

Python LangChain框架【 LLM 应用开发工具】全面讲解

LangChain 是一个开源框架,用于构建基于大语言模型(LLM)的应用程序。上下文感知:将 LLM 与私有数据源(数据库、文档、API)结合。推理能力:指导 LLM 根据上下文执行任务(如决策、计算)。模块化开发:提供可组合的组件(模型、链、代理等),简化复杂应用开发。

记录点滴 836

综合能源系统多时间尺度优化调度!诸多创新点让你抓住审稿人的心!

主要介绍综合能源系统的设备组成结构,并针对屋顶光伏系统、冷-热-电联供系统中的燃气轮机、燃气锅炉、光伏溴化锂制冷机、卡琳娜余热发电、中央空调系统,以及外网交互系统的配电网与天然气管网交互关系进行数学建模。1) 源-荷-储协同调度:研究屋顶光伏、燃气轮机、燃气锅炉等源侧设备,中央空调、电-热-冷负荷、可平移电负荷、可削减温控负荷等负荷侧资源,以及储能系统、电动汽车等储能侧设备的协同调度,以提高风光消纳能力,满足社会能源需求。通过电转热、电转冷、电转气等多能耦合方式,可进一步促进可再生能源的应用与发展。

weixin_48747334的博客 1491

搭建微信机器人的方案都在这了!

功能超级强大,虽不支持二次开发,但已有的功能足够个人使用,可惜官方作品已被腾讯告死,好在市面上还流落着不少破解版,有需要的自行搜索。可惜的是,微信官方已不准许新的微信号再使用 web 登录,这就直接从源头扼杀了 web 协议的微信机器人,虽说老的微信号还是能凑合着用,不过部分功能也受限。所以,这些都属于 PC 端的微信机器人。无论是 PC 端还是手机端,用 hook 方式实现的最大缺点就是要和某一个版本的微信客户端进行绑定,如果框架本身不对最新版本的微信适配,那使用的时候就无法升级到最新版本的微信。

weixin_47246330的博客 1万+

芯片Tapeout前GDS Review | Calibre中如何切出gds中指定区域版图?

芯片Tapeout GDS Review 之Calibre中如何切出指定区域版图GDS

weixin_37584728的博客 1795

地平线J6的基础简介

地平线J6M芯片:面向中阶辅助驾驶市场的高性价比芯片

weixin_43084908的博客 4508

第 8 篇:TMC2240 电机正反转实现|DIR 引脚控制 + 代码优化(稳定不抖动)

本文详细介绍了TMC2240电机驱动芯片的正反转实现方法,重点解决方向切换时的抖动和冲击问题。文章首先明确了硬件连接、基础配置和使能状态三个前提条件,然后阐述了DIR引脚电平控制方向的核心原理,提供了STM32的GPIO配置代码。针对方向切换时的电流冲击问题,作者提出了"停止-延迟-切换-启动"的平滑切换逻辑,并给出了包含方向枚举、转速控制和方向切换函数的完整代码实现方案。通过这种优化方法,可以有效避免电机在正反转切换时产生的抖动、冲击声和发热问题,实现稳定的双向控制。文章还提示了后续可

BackCatK Chen的博客 2085

DeepLens是一个用于计算镜头设计的可微光线追踪器

若安装过程中遇到网络问题导致安装失败,可尝试更换pip源,例如使用国内的镜像源,修改pip配置文件(Windows系统在。

max500600的博客 1143

Qt实现离线缓存地图(附完整源码)

Qt实现离线缓存地图(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 868

华为OD机考双机位C卷 - 采购订单 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 采购订单 。提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 430

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: 【AI应用进阶之旅】RAG检索增强生成面试题:项目实战与架构设计
下一篇: 【AI应用进阶之旅】LangChain大语言模型LLM面试题:Prompt 与 Chain
程序员林北北
博客等级 码龄13年 707粉丝 85原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

程序员林北北

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址