LangChain 与应用开发框架
LangChain / LlamaIndex / LangGraph 是大模型应用开发最主流的框架阵营。面试常考核心抽象、框架对比，以及「该不该用框架」的工程判断——后者最能看出真实生产经验。
为什么需要框架？
直接调 LLM API 很简单，但真实应用要处理：prompt 模板管理、多步链式调用、对话记忆、RAG 检索、工具调用、流式输出、重试降级、可观测性……框架把这些常见模式标准化、可复用。
后端视角类比：像 Spring 之于 Java Web——不用框架也能写 Servlet，但框架统一了依赖注入、AOP 和生态集成。同样地，框架也会带来「魔法」与调试成本。
LangChain 核心抽象
| 概念 | 作用 |
|---|---|
| Model（LLM / ChatModel） | 各家模型 API 的统一封装，一键切换 |
| Prompt Template | 带变量的提示模板，支持 few-shot |
| Output Parser | 输出解析为结构化数据 |
| Runnable / Chain | 多步骤组合成流水线 |
| Memory | 多轮对话历史管理策略 |
| Retriever | RAG 检索接口，对接各类向量库 |
| Tool / Agent | 工具调用与自主决策 |
LCEL（LangChain Expression Language）
用管道符 | 声明式组合组件：
chain = prompt | model | output_parser
result = chain.invoke({"question": "什么是 RAG?"})好处：天然获得流式（stream）、异步（ainvoke）、批处理（batch）、并行（RunnableParallel）四种执行方式，不用为每条链手写。
Memory 策略
全量缓冲（快速超窗）→ 窗口（最近 N 轮）→ 摘要（旧对话压缩）→ 向量检索记忆（长期）。原理与取舍详见 Agent 记忆系统。
LangGraph：从「链」到「图」
经典 Chain 是单向流水线，表达不了循环和条件分支，而 Agent 的本质是「循环 + 状态」。LangGraph 用显式的图模型解决：
- State：全图共享的状态对象（消息历史、中间结果），每个节点读写它；
- Node：一个处理步骤（调模型/工具/纯函数）；
- Edge：固定边 + 条件边（运行时按状态决定走向，循环由此而来）。
附带生产级能力：checkpoint 持久化（断点恢复）、human-in-the-loop（中断等人工确认再继续）、时间旅行调试。LangGraph 已取代旧版 AgentExecutor 成为 LangChain 系构建 Agent 的推荐方式——这一演进本身是高频考点：从「黑盒 Agent 封装」回到「显式状态机」，换取可控性。
框架横向对比
| 框架 | 定位 | 适合 |
|---|---|---|
| LangChain/LangGraph | 通用编排 + 图状态机 | 复杂流程、自定义 Agent |
| LlamaIndex | 数据接入与 RAG 优先 | 知识库/检索为核心的应用 |
| Dify / Coze | 低代码平台 | 快速 PoC、业务人员维护（见 工作流） |
| AutoGen / CrewAI | 多 Agent 协作抽象 | 多角色协作实验（见 多 Agent） |
| OpenAI/Anthropic SDK 直用 | 无框架 | 逻辑简单或要求极致可控 |
LangChain vs LlamaIndex 一句话：前者以「流程编排」为中心，后者以「数据/索引」为中心；可组合——LlamaIndex 做检索层、LangGraph 做编排层。
可观测性：LangSmith 与同类
LLM 应用是非确定性黑盒，生产必须能追踪每步的输入输出、token、延迟、错误。LangSmith（官方）、Langfuse（开源自部署）、Helicone 等提供链路追踪 + 评估 + 监控。没有 trace 的 Agent 故障排查 = 盲人摸象；评估闭环方法见 模型评估。
工程争议：该不该用 LangChain？
经典开放题，要能说两面：
- 支持：原型极快、集成生态最全（几百个向量库/模型/工具适配）、统一接口便于换模型。
- 反对：抽象层级多、出错栈深难调试、版本迭代快破坏兼容、简单需求被框架绑架；对 prompt 的隐式包装可能与你的优化冲突。
- 务实结论：PoC 与复杂编排用框架提速；逻辑稳定、性能敏感的核心链路「毕业」成直接 SDK + 自己的薄封装。框架是脚手架，不是枷锁——面试这么答，再补一个你真实踩过的坑（如调试链路过深、升级破坏兼容），说服力最强。
高频追问
Q：LangChain 和直接调 API 怎么选？ 看复杂度与生命周期：多组件编排、要快速试错 → 框架；单链路、性能敏感、长期维护 → 直接 SDK + 薄封装。中间态：用框架的个别组件（如 retriever），编排自己写。
Q：LangGraph 相比旧版 Agent（AgentExecutor）改进了什么？ 把隐式的 Agent 循环变成显式状态图：每个节点、边、状态可见可测；支持 checkpoint 恢复、人工介入、条件分支与循环上限。本质是用「状态机的确定性」包住「LLM 的不确定性」。
Q：对话记忆怎么管理上下文爆炸？ 窗口 + 摘要 + 向量检索三级组合：近期原文、远期摘要、更久的入库按需检索。关键约束单独固化，不依赖摘要保留。详见 记忆系统。
Q：LlamaIndex 的核心抽象和 LangChain 有何不同？ LlamaIndex 围绕「数据 → 索引 → 查询引擎」：Document/Node 切分、多种索引结构（向量/树/关键词）、QueryEngine 封装检索+合成。它把 RAG 的数据侧做深，而 LangChain 把流程侧做广。
Q：为什么生产环境必须上可观测性？ 非确定性系统无法靠复现调试，必须靠 trace 回放定位「哪一步、什么输入、模型输出了什么」；同时 token 成本与延迟也需按链路归因才能优化。trace 数据还是构建评估集的原料。
Q：框架版本升级踩过什么坑？（经验题） 可答：LangChain 0.x→0.1/0.2 的大规模 API 迁移、隐式 prompt 包装变化导致行为漂移、依赖冲突。应对：锁版本、薄封装隔离框架 API、关键行为回归测试兜底。