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。
文章目录
-
- 一、什么是 LangChain?它主要解决什么问题?
- 二、LangChain的核心组件有哪些?
- 三、LangChain和直接调用OpenAPI有什么区别?
- 四、LangChain支持哪些大语言模型?
- 五、什么是 ChatModel?
- 六、什么是 PromptTemplate?
- 七、PromptTemplate 和 ChatPromptTemplate 有什么区别?
- 八、什么是 SystemMessage、HumanMessage、AIMessage?
- 九、什么是 OutputParser?
- 十、StrOutputParser 有什么作用?
- 十一、什么是 Runnable?
- 十二、什么是 RunnableSequence?
- 十三、什么是 LCEL?
- 十四、LangChain 如何实现流式输出?
- 十五、LangChain 如何实现异步调用?
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 |
| 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
836



被折叠的 条评论
为什么被折叠?



