LangChain 核心模块 + 执行流程 + 面试高频题（Java/Python通用，面试直接背）
一、LangChain 五大核心功能模块
- Models 模型层
- 大模型LLM：文本输入→文本输出
- ChatModel：对话模型（优先用）
- Embedding 嵌入模型：文本转向量
- Prompts 提示词
- PromptTemplate 模板、FewShotPrompt 少样本提示
- 统一规范输入格式，统一喂给大模型
- Chains 链路
- 把多个能力串行组合
- 常用：LLMChain、RetrievalQA、ConversationChain
- Memory 记忆
- 会话记忆：保存上下文聊天记录
- 类型：ShortTerm、LongTerm、SummaryBuffer 摘要记忆
- Indexes & Retrievers 检索知识库
- 文档加载→分割→向量化→存入向量库
- 检索相似文本，实现RAG检索增强
- Agents 智能代理
- 让大模型自己思考、选工具、自主调用
- 可调用接口、数据库、计算器、联网搜索
二、LangChain 标准执行流程（RAG最主流）
- 文档预处理
加载PDF/MD/Excel → 文本拆分 TextSplitter - 向量化
调用Embedding模型 → 文本转向量 - 入库存储
存入向量数据库（FAISS、Milvus、Chroma、Redis） - 用户提问
用户输入问题 - 问题向量化
问题转向量，相似度检索知识库 - 拼接上下文
把检索到的参考文档 + 问题 + 提示词模板拼接 - 送入大模型
LLM整合内容生成答案输出 - 记忆存入 （对话场景）
对话内容存入Memory，维持上下文
最简流程：
文档分片 → 向量化入库 → 问题检索 → 拼接Prompt → LLM生成回答
三、LangChain 面试高频题+标准答案
1. 说说你理解的 LangChain 是什么？
答
LangChain 是大语言模型应用开发框架，用来快速搭建基于LLM的智能应用，封装了模型调用、提示词管理、对话记忆、知识库检索、智能代理等能力，降低大模型业务开发成本，主流用于RAG知识库问答、智能客服、文档助手、AI工作流编排。
2. LLM 和 ChatModel 区别？
答
- LLM：纯文本输入输出，无对话角色区分
- ChatModel：支持系统角色、用户角色、助手角色，适配对话场景，企业开发优先用ChatModel
3. 什么是RAG？RAG解决什么问题？
答
RAG=检索增强生成
流程：检索私有知识库+大模型生成
解决两大痛点：
- 大模型知识过时
- 大模型幻觉问题、不知道私有业务数据
- 不用微调大模型，低成本接入内部文档
4. 文本分割常用策略有哪些？
答
- 固定字符分割 CharacterTextSplitter
- 语义分割 SemanticSplitter
- 递归字符分割 RecursiveCharacterTextSplitter（最常用）
- 按标题/章节结构化分割
重点：设置chunkSize块大小 + overlap重叠值，防止上下文断裂
5. Embedding 向量模型作用？
答
将自然语言文本转为低维浮点向量，语义相近文本向量距离近，用于向量库相似度匹配检索。
6. 常用向量数据库有哪些？
答
- 轻量测试：FAISS、Chroma
- 生产商用：Milvus、RedisVector、Elasticsearch、PGVector
7. LangChain Memory 几种常用类型？
答
- ConversationBufferMemory：完整保存所有对话
- ConversationSummaryMemory：自动摘要压缩对话，节省token
- SummaryBufferMemory：摘要+近期消息结合（生产最优）
- VectorStoreRetrieverMemory：知识库记忆
8. Chain 链路作用是什么？
答
Chain 是LangChain业务流程编排，把提示词、模型、检索、工具组合成一条完整执行链路，一行调用完成复杂逻辑，如RetrievalQA直接实现知识库问答。
9. Agent 代理原理是什么？
答
Agent 赋予大模型自主思考决策能力
流程：
思考意图 → 判断需要调用哪个工具 → 调用工具获取结果 → 整理结果回答用户
可实现联网搜索、查数据库、调用接口、代码执行等自主行为。
10. 怎么解决大模型上下文超长、token超限？
答
- 文本合理分片，控制单块长度
- 使用摘要记忆压缩历史对话
- 多路检索只取高相似度内容
- 改用更大上下文窗口模型
- 分层检索+重排Rerank精简内容
11. LangChain 怎么自定义提示词模板？
答
通过PromptTemplate指定变量占位符，绑定输入参数，统一格式化输入内容，规范大模型回答格式（JSON、固定话术等）。
12. 项目中遇到过 LangChain 什么坑？
答
- 分片不合理导致答案断章取义
- 向量检索精度低，匹配无关文档
- 对话记忆过多造成token暴涨、响应变慢
- 大模型幻觉，编造不存在业务数据
- 并发场景下上下文记忆错乱
13. 简述 RetrievalQA 执行流程
答
用户提问→向量检索知识库文档→文档+问题组装Prompt→传入LLM→模型结合私有数据生成答案返回。
14. LangChain4j 和原生 LangChain 区别（Java面试必问）
答
- LangChain：Python生态最早最成熟
- LangChain4j：Java 专属版本，语法贴近Java，适配Spring生态，可整合SpringBoot、SpringAI，后端Java项目首选，功能对齐原版核心能力。
15. Spring AI 和 LangChain4j 怎么选？
答
- 纯AI流程、重RAG、Agent复杂编排：选LangChain4j
- 微服务项目、快速接入大模型、贴合Spring全家桶：选Spring AI