【面试题】LangChain与LlamaIndex核心概念详解

1. 什么是LangChain？它的核心设计理念是什么？

LangChain是一个用于构建大语言模型应用的框架，它提供了模块化组件和工具链，帮助开发者将LLM与外部数据和系统连接起来。其核心理念是组件化和链式编排——通过标准化接口将各种功能模块（模型、工具、数据源）连接成可复用的处理流程。

LangChain的设计遵循几个关键原则：

• 组合性：所有组件实现统一接口，可以通过管道操作符(|)轻松组合
• 数据感知：内置多种数据连接器，使LLM能够访问外部知识源
• 代理能力：支持让LLM自主选择工具和决策的智能代理模式
• 生产就绪：提供调试、监控、部署等生产环境所需功能

2. LangChain中的6个核心概念

Models (模型)

• LLMs：基础文本生成模型（如GPT-3）
• ChatModels：对话优化模型（如ChatGPT）
• Embeddings：文本向量化模型
  所有模型都实现Runnable接口，支持统一调用方式。

Prompts (提示)

• 模板化：支持变量插值的提示模板
• 少量示例：支持在提示中包含示例样本
• 动态构建：可根据对话历史动态构建提示

Indexes (索引)

• 文档加载：从各种来源加载文档
• 文本分割：将长文档分割为适当片段
• 向量存储：将文本转换为向量并存储
• 检索器：从索引中检索相关文档

Memory (记忆)

• 对话历史：维护多轮对话状态
• 多种形式：支持短期记忆、摘要记忆、实体记忆等
• 可定制：可根据需要定制记忆存储策略

Chains (链)

• 顺序链：线性执行多个步骤
• 转换链：处理数据格式转换
• 路由链：根据条件选择不同分支
• LCEL：使用表达式语言声明式构建链

Agents (代理)

• 工具使用：让LLM自主选择和使用工具
• 推理循环：基于ReAct框架进行推理和行动
• 多种类型：支持ReAct、Plan-and-execute等多种代理类型

3. 什么是LCEL？它有什么优势？请写一个简单的例子

LCEL（LangChain Expression Language）是LangChain的声明式API，用于构建和组合链。它的核心优势包括：

主要优势：

• 统一接口：所有组件实现Runnable接口
• 自动并行：自动并行处理多个输入
• 流式支持：原生支持流式输出
• 错误处理：内置重试和回退机制
• 易于调试：提供详细的执行追踪

简单示例：

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser# 创建翻译链
translation_chain = (ChatPromptTemplate.from_template("将以下文本翻译成{language}: {text}")| ChatOpenAI(model="gpt-3.5-turbo")| StrOutputParser()
)# 使用链
result = translation_chain.invoke({"text": "Hello, world!","language": "中文"
})
print(result)  # 输出: "你好，世界！"

高级示例（带错误处理）：

from langchain_core.runnables import RunnableBranch# 创建带分支的链
branch_chain = RunnableBranch((lambda x: "你好" in x["text"], translation_chain),translation_chain
)# 只会调用翻译链一次
result = branch_chain.invoke({"text": "Hello, world!","language": "中文"
})

4. Agent的执行流程（使用ReAct框架举例）

ReAct框架让Agent通过"思考-行动-观察"循环解决问题：

执行流程：

1. 初始化：接收用户查询，初始化提示模板
2. 思考：LLM分析当前情况，决定下一步行动
3. 行动：选择合适工具并生成调用参数
4. 观察：执行工具并获取结果
5. 循环：重复2-4步直到解决问题
6. 终止：输出最终答案

具体示例：

用户: "旧金山昨天的最高温度是多少华氏度？"Agent思考: "我需要获取旧金山昨天的天气数据，应该使用天气API工具"
Agent行动: 调用WeatherAPI("San Francisco", "yesterday")
观察: "高温: 65°F, 低温: 52°F"Agent思考: "我已获得天气数据，可以直接回答用户问题"
Agent输出: "旧金山昨天的最高温度是65°F"

关键特点：

• 每一步的思考和行动都记录在对话历史中
• 支持工具调用失败时的重试机制
• 可设置最大迭代次数防止无限循环

5. 什么是RAG？如何在LangChain中实现一个基本的RAG流程？

RAG（Retrieval-Augmented Generation）通过检索外部知识增强生成能力，减少模型幻觉。

LangChain实现方案：

from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_chroma import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough# 1. 加载和预处理文档
loader = WebBaseLoader("https://example.com")
docs = loader.load()# 2. 分割文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200
)
splits = text_splitter.split_documents(docs)# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(splits, embeddings)
retriever = vectorstore.as_retriever()# 4. 创建RAG链
template = """使用以下上下文回答问题。如果不知道答案，请如实告知。
上下文: {context}
问题: {question}
答案:"""
prompt = ChatPromptTemplate.from_template(template)llm = ChatOpenAI(model="gpt-3.5-turbo")rag_chain = ({"context": retriever, "question": RunnablePassthrough()}| prompt| llm| StrOutputParser()
)# 5. 使用RAG链
result = rag_chain.invoke("这篇文章的主要内容是什么？")

优化技巧：

• 使用更好的嵌入模型提高检索质量
• 调整chunk_size和chunk_overlap参数
• 添加重排序步骤提高相关性
• 使用多查询生成增强检索

6. LlamaIndex的核心价值与LangChain的主要区别

LlamaIndex核心价值：
专注于数据连接层，提供高效的文档索引和检索能力，特别擅长：

• 复杂文档解析（PDF、Word等）
• 高级索引结构（向量、树形、关键词等）
• 智能查询优化和重写
• 开箱即用的RAG解决方案

与LangChain的主要区别：

方面	LlamaIndex	LangChain
定位	数据连接和检索专家	通用应用编排框架
核心功能	文档索引和查询	链式工作流和代理
抽象层级	更高层，更专注	更底层，更灵活
使用难度	学习曲线较平缓	学习曲线较陡峭
典型用例	文档问答、知识检索	复杂代理、多步工作流

如何选择：

• 需要快速构建文档问答系统 → LlamaIndex
• 需要复杂逻辑和工具使用 → LangChain
• 大型项目 → 结合使用（LlamaIndex处理数据，LangChain处理逻辑）

7. LlamaIndex中的核心组件

Nodes (节点)

文档的基本单元，包含文本内容和元数据：

from llama_index.core.schema import TextNodenode = TextNode(text="文档内容",metadata={"source": "document.pdf", "page": 1}
)

Indexes (索引)

多种索引类型适应不同场景：

• VectorStoreIndex：向量索引，适合语义搜索
• SummaryIndex：摘要索引，适合整体分析
• TreeIndex：树形索引，适合层次结构
• KeywordTableIndex：关键词索引，适合精确匹配

Engines (引擎)

处理查询的核心组件：

• Retrievers：从索引中检索相关节点
• Query Engines：处理完整查询流程
• Response Synthesizers：生成最终答案

使用示例：

from llama_index.core import VectorStoreIndex# 创建索引
index = VectorStoreIndex.from_documents(documents)# 创建查询引擎
query_engine = index.as_query_engine()# 执行查询
response = query_engine.query("你的问题")

8. LlamaIndex的高级查询/检索模式

1. 子问题分解

将复杂问题分解为多个子问题：

from llama_index.core.query_engine import SubQuestionQueryEnginequery_engine = SubQuestionQueryEngine.from_defaults(query_engine_tools=[engine1, engine2]
)

2. 多步查询

支持多轮交互的复杂查询：

from llama_index.core.query_engine import MultiStepQueryEnginequery_engine = MultiStepQueryEngine(query_engine, num_steps=3
)

3. 混合检索

结合多种检索策略：

from llama_index.core import VectorStoreIndex, KeywordTableIndex
from llama_index.core.retrievers import QueryFusionRetrievervector_retriever = VectorStoreIndex.as_retriever()
keyword_retriever = KeywordTableIndex.as_retriever()fusion_retriever = QueryFusionRetriever([vector_retriever, keyword_retriever]
)

9. RAG中文档切分的重要性与策略

为什么文档切分重要：

• 影响检索精度：过大或过小的块都会降低相关性
• 影响生成质量：提供不完整的上下文会导致错误答案
• 影响性能：合理的块大小提高检索效率

常用切分策略：

1. 固定大小切分：

from langchain_text_splitters import CharacterTextSplittersplitter = CharacterTextSplitter(chunk_size=1000,chunk_overlap=200
)

2. 递归切分（推荐）：

from langchain_text_splitters import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter(chunk_size=512,chunk_overlap=50
)

3. 语义切分：

from langchain_experimental.text_splitter import SemanticChunkersplitter = SemanticChunker(OpenAIEmbeddings())

最佳实践：

• 一般文档：500-1000字符的块大小，10-20%重叠
• 技术文档：较小的块大小（200-500字符）
• 对话记录：按对话轮次切分
• 代码文档：按函数或类切分

10. 评估和提升RAG应用效果

评估指标

• 检索质量：命中率、MRR、NDCG
• 生成质量：事实准确性、相关性、流畅性
• 端到端指标：答案相关性、有用性评分

提升策略

检索阶段优化：

# 1. 优化检索器
retriever = vectorstore.as_retriever(search_type="mmr",  # 使用最大边际相关性search_kwargs={"k": 5, "fetch_k": 20}
)# 2. 添加重排序
from langchain.retrievers import ContextualCompressionRetriever
from langchain_cohere import CohereRerankcompressor = CohereRerank()
compression_retriever = ContextualCompressionRetriever(base_compressor=compressor,base_retriever=retriever
)

生成阶段优化：

# 1. 优化提示模板
template = """请基于以下上下文回答问题。如果上下文不包含答案，请说"我不知道"。上下文：{context}问题：{question}请以友好、专业的语气回答，并在必要时引用上下文。"""

端到端优化：

# 添加验证步骤
def validate_answer(response):if "我不知道" in response or "不确定" in response:return "抱歉，我无法从提供的资料中找到答案。"return responsefinal_chain = rag_chain | validate_answer

11. ReAct框架与自定义Tool实现

ReAct框架详解

ReAct通过"思考-行动-观察"循环让LLM解决复杂问题：

循环步骤：

1. 思考：分析当前状况，决定下一步
2. 行动：选择工具并生成参数
3. 观察：执行工具并获取结果
4. 重复：直到问题解决或达到最大迭代

优势：

• 减少幻觉：通过工具验证假设
• 提高透明度：显示完整推理过程
• 增强能力：突破LLM的知识限制

自定义Tool实现

安全实现示例：

from langchain.tools import BaseTool
from pydantic import BaseModel, Field
import requestsclass WeatherInput(BaseModel):location: str = Field(description="城市名称")date: str = Field(description="日期，如'今天'、'明天'")class WeatherTool(BaseTool):name = "weather_api"description = "获取指定城市和日期的天气信息"args_schema = WeatherInputdef _run(self, location: str, date: str) -> str:"""调用天气API"""try:# 这里使用模拟API调用# 实际应用中应使用真实的天气APIif date == "今天":return f"{location}今天天气晴朗，25°C"elif date == "明天":return f"{location}明天多云转晴，23°C"else:return "仅支持查询今天或明天的天气"except Exception as e:return f"获取天气信息失败: {str(e)}"async def _arun(self, location: str, date: str) -> str:return self._run(location, date)# 使用工具
tool = WeatherTool()
result = tool.run("北京", "今天")
print(result)  # 输出: "北京今天天气晴朗，25°C"

安全最佳实践：

1. 输入验证：使用Pydantic模型验证参数
2. 错误处理：妥善处理异常，避免暴露内部信息
3. 权限控制：限制工具访问权限
4. 日志记录：记录所有工具调用情况

在Agent中使用工具：

from langchain.agents import initialize_agent
from langchain.agents import AgentTypetools = [WeatherTool()]
agent = initialize_agent(tools,llm,agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,verbose=True
)result = agent.run("北京今天天气怎么样？")

通过这样的实现，可以创建安全、可靠的自定义工具，大大扩展Agent的能力范围。