LangGraph

一、基础理解（必考）

1) LangGraph 是什么？与 LangChain 的关系？

标准回答：
LangGraph 是在 LangChain 之上、专注于 Agentic Workflow（智能体工作流） 的有向图（DAG/状态机）框架。它用 State / Node / Edge / Graph 来描述复杂多轮流程与分支，并提供持久化（persistence/checkpointer）以支持长对话、人工介入、容错与“时间旅行”。而 LangChain 更像是组件库与可组合的可运行单元（Runnables/Chains/Agents/Tools）。在复杂流程里，我会用 LangGraph 编排整体流转，用 LangChain 提供 LLM 与工具能力。(LangChain AI, LangChain Blog)

要点清单：

• LangGraph：编排/状态机；LangChain：组件库/执行单元。

• 强项：复杂分支、多 Agent、状态持久化与人工干预。(LangChain AI)

---

2) 为什么用 Graph，而不是简单 Chain？

标准回答：
Chain 线性好上手，但分支、循环、并发依赖一复杂就难维护；Graph 把“谁先跑、跑完去哪儿、遇到条件怎么分路”全部显式化，可读、可测、可控，特别适合多 Agent 协作、工具调用决策、审阅环节（HITL）。LangGraph 还内置**条件边 add_conditional_edges、顺序片段 add_sequence**等语义化原语。(LangChain AI)

---

3) 核心组件有哪些？（State / Node / Edge / Graph / Persistence）

标准回答（一句话版）：

• State：共享数据结构（可用 TypedDict/Pydantic/dataclass 定义），节点读写都基于它；支持Reducer合并多节点更新。

• Node：函数或 Runnable，输入 State、输出部分 State 更新。

• Edge：决定流转，含普通边与条件边。

• Graph：把节点和边编成可编译/可执行的工作流。

• Persistence：通过 checkpointer 为每步打快照到 thread，支持长记忆、人工中断/恢复、时间回溯与容错。(LangChain 文档, Medium, LangChain AI)

---

4) 什么是 Agentic Workflow？举例

标准回答：
Agentic Workflow 是把智能体的思考-行动-反思过程用可控的图结构表达：例如“研究员 Agent→工具检索→验证 Agent→人审→汇总 Agent”，每步的输入输出与路径选择都由 State/Edge 管理，并可在任一点中断等待人审后继续。(LangChain AI)

---

二、机制与实现（进阶）

1) State 与传统 Memory 有何不同？

标准回答：
传统 Memory 多是会话“黑盒”拼接；LangGraph 的 State 是显式模式化的应用状态，可按键（渠道）细粒度更新，并用 Reducer 决定合并策略（覆盖/累加/去重）。这让可观测性、可测试性、并发合并成为一等公民。(LangChain 文档, Medium)

极简定义示例：

from typing import TypedDict, Annotated
import operator

class State(TypedDict):
    # 消息按列表累加（多节点并发写入也能合并）
    messages: Annotated[list, operator.add]

（TypedDict/Reducer 的思路见官方与实践文章。）(LangChain 文档, Medium)

---

2) 如何添加节点？节点如何收/返数据？

标准回答：
用 StateGraph(StateSchema) 创建图；add_node(name, fn) 注册节点；节点函数 接收 State、返回部分 State 更新；add_edge/ add_sequence 定义流转；编译后 app.invoke(input, config) 执行。

from langgraph.graph import StateGraph, END

builder = StateGraph(State)
def draft(state: State): return {"messages": ["drafted"]}
def review(state: State): return {"messages": ["reviewed"]}

builder.add_node("draft", draft)
builder.add_node("review", review)
builder.add_edge("draft", "review")
builder.add_edge("review", END)
app = builder.compile()
app.invoke({"messages": []})

（API 语义参考文档。）(LangChain AI)

---

3) If-Else 条件分支怎么做？

标准回答：
用 add_conditional_edges(start, router, mapping)；router(state) 返回映射里的分支键。

def route(state: State):
    return "approve" if state.get("score", 0) >= 0.8 else "revise"

builder.add_conditional_edges(
    "judge", route, {"approve": "publish", "revise": "rewrite"}
)

（条件边是 LangGraph 的一等公民。）(LangChain AI, Medium, DEV Community)

---

4) 长对话记忆 / 循环执行如何实现？

标准回答：
依靠显式 State + Reducer保存上下文，并用 Edge 实现回边或停止条件；对于超长会话与跨会话记忆，启用 checkpointer 将状态写入 thread，每次用同一 thread_id 继续。若需人审环节，用 interrupt 暂停并恢复。(LangChain AI)

---

5) 如何持久化执行状态？为何有意义？

标准回答：
在 compile 传入 checkpointer（如 MemorySaver/SqliteSaver），系统每个超步（super-step）都会快照到 thread，随后可回放、恢复、分叉试验，实现人机协同（HITL）、容错与时间旅行。

from langgraph.checkpoint import MemorySaver  # 或 SqliteSaver(...)
cp = MemorySaver()
app = builder.compile(checkpointer=cp)
config = {"configurable": {"thread_id": "u123"}}
app.invoke({"messages": []}, config=config)

（持久化与线程语义见官方概念页与 JS 版文档说明。）(LangChain AI)

---

三、应用与思考（专家）

1) 多智能体系统如何用 LangGraph 表达？

标准回答（结构化）：

• 节点划分：Researcher（检索/起草）→ Verifier（事实核验/引用补全）→ Synthesizer（结构化输出）。

• 关键状态：messages、facts、citations、tools_logs；对 messages 采用累加 Reducer。

• 边逻辑：Verifier 评分低于阈值→ 回到 Researcher；高于阈值→ Synthesizer。

• HITL：在发布前 interrupt 等待人审。

• 工具位：统一用 ToolNode 执行检索/计算工具，降低节点对工具适配成本。(LangChain AI)

---

2) 科学计算/实验流程自动化中，相比传统编排的优势？

标准回答：

• 语义更贴近“推理-行动”：把 LLM 的决策、工具调用与验收环节显式化；

• 细粒度可观测：State/Reducer 让每一步的输入输出可追溯；

• HITL 与可回溯：checkpointer 支持“暂停-审阅-继续”和时间旅行；

• 复杂分支更自然：条件边/循环优雅表达实验分叉与失败回退。(LangChain AI)

---

3) 与状态机（State Machine）的相似之处？

标准回答：
二者都以状态 + 转移为核心：节点像“状态处理器”，边是“转移函数”，条件边对应“守卫条件”。不同在于 LangGraph 的状态可结构化/可合并，并内置快照/回放与人审中断。(LangChain AI)

---

4) 可扩展性挑战与对策

标准回答：

• 图规模增长：强约束命名与模块化子图；

• 并发与一致性：为并发写入的键设计合适 Reducer（累加/去重/优先级）；

• 工具爆炸：收敛到 ToolNode + 统一工具接口；

• 可观测性：事件日志+线程快照；

• 团队协作：约定 State 模式与边命名规范，建立“设计评审”清单。(Medium)

---

四、追问速答（拉扯细节）

1) 能否与 LangChain 工具库结合？怎么做？

速答：
可以。推荐用 ToolNode：让工具调用成为一个标准节点，输入/输出都走 State（通常是 messages 通道），兼容 LangChain 的工具与 ReAct 策略。(LangChain AI, LangChain)

---

2) 支持异步/并发吗？

速答：
LangGraph 的图本身支持多起点依赖收敛（一个节点可等多个前驱完成）与并行分支；在实现层可用异步 Runnable/外部并行执行，最后通过 Reducer 合并到同一 State 键。(LangChain AI, Medium)

---

3) 节点失败时如何做容错？

速答（工程化建议）：

• 分层重试：节点内重试 + 图级回退边；

• 幂等设计：节点按“输入 State→输出增量”保证可重放；

• 持久化恢复：依赖 checkpointer 从最近快照恢复继续；

• 人审兜底：关键节点前后放 interrupt。(LangChain AI)

---

4) 与 Prefect/Airflow 的差异与优势？

速答：

• Prefect/Airflow 更偏批式/数据工程 DAG；

• LangGraph 专注 LLM/Agent 推理-行动回路（条件边、工具调用、HITL、对话记忆、时间旅行等是一等能力）。如要 ETL/调度选 Prefect/Airflow；要智能体流程选 LangGraph。(LangChain AI)

---

五、30 秒口播版（面试开场可直接说）

“我把 LangGraph 当作面向智能体的状态机。它在 LangChain 之上，用 State/Node/Edge 把复杂分支、循环和工具调用显式化；用 checkpointer 把每步状态快照到 thread，从而支持长记忆、人工中断/恢复与时间旅行。实现上我会用 add_node / add_edge / add_conditional_edges 编排流程、用 Reducer 合并并发写入；多智能体场景下把检索、验证、汇总拆成节点，低分回路重写，高分发布，并在关键点 interrupt 走人审。相比传统 DAG 编排，LangGraph 对 LLM 推理-行动链路的表达更自然、可观测也更强。” (LangChain AI)

---

六、加分点（可主动抛出）

• 人-机协作：熟练使用 interrupt 做审批与回溯分叉。(changelog.langchain.com)

• 工具调用最佳实践：统一 ToolNode，把工具当“副作用节点”。(LangChain AI)

• State 设计：为并发量身定制 Reducer（累加/去重/优先级），并把关键指标（score、citations）单独成键，便于路由与审计。(Medium)