AI大模型面试题最全详解：LangChain + Milvus + RAG + Agent + FDE + LangGraph

马士兵教育

431人浏览 · 2026-07-29 19:31:02

马士兵教育 · 2026-07-29 19:31:02 发布

讲的最详细的AI大模型面试题：Langchain+Milvus+RAG+Agent+FDE+langgraph！

摘要：本文是全网最详细的AI大模型面试题汇总，深度覆盖LangChain、Milvus向量数据库、RAG检索增强生成、AI Agent、基础数据处理（FDE）以及LangGraph等核心技术栈。针对每个主题，本文提供高频面试题、原理剖析及代码示例，帮助读者系统备战大模型面试。

1. 引言

随着大语言模型（LLM）技术的飞速发展，企业对AI工程师的要求不再停留在“会调API”的层面。2025年之后，大模型面试重点转向了工程落地能力，LangChain、Milvus、RAG、Agent、FDE、LangGraph 等已成为核心考点。本文将逐一拆解这些技术栈，给出最详细的面试题解析。

2. LangChain 面试题详解

2.1 什么是 LangChain？它的核心组件有哪些？

参考答案：LangChain 是一个用于开发由大语言模型驱动的应用程序的开源框架。它的核心价值在于将 LLM 与外部数据源、计算工具连接起来，实现复杂的推理链路。

核心组件包含以下六大模块：

Models（模型）：提供对各类 LLM、聊天模型、文本嵌入模型的统一接口封装。
Prompts（提示词）：提供提示词模板管理、示例选择器和输出解析器，帮助开发者构建复杂的提示工程逻辑。
Chains（链）：将多个组件串联成固定的执行管线，是最基础的编排单元。常见的有 LLMChain、SequentialChain、RetrievalQA 等。
Indexes（索引）：即 Document Loaders、Text Splitters、VectorStores 和 Retrievers 的组合，用于实现 RAG 模式下的文档加载与检索。
Agents（代理）：让 LLM 具备自主决策能力，动态选择并调用工具来完成任务。核心包含 Agent、Tool 和 AgentExecutor。
Memory（记忆）：提供短期和长期记忆机制，使链或代理能记住与用户的交互上下文。

2.2 LangChain 中 Chain 和 Agent 的本质区别是什么？

参考答案：核心区别在于控制流由谁主导。

Chain：执行路径是预定义的、硬编码的。开发者提前确定步骤顺序（如：检索→提示词拼接→LLM生成），运行时不会改变流程。
Agent：执行路径由 LLM 动态决定。LLM 作为推理引擎，根据任务状态自主选择调用哪个工具、何时停止，控制流是动态且非确定性的。

2.3 在 LangChain 中如何处理大文档的上下文长度限制？

参考答案：主要有以下几种策略：

文本切分（Text Splitting）：使用 RecursiveCharacterTextSplitter 等按语义边界切分文档，配合 chunk_size 和 chunk_overlap 控制块大小与重叠区域。
Map-Reduce 摘要链：先用 Map 步骤对每个文档块分别生成摘要，再用 Reduce 步骤汇总所有摘要生成最终答案。
Refine 链：迭代式处理文档块，每次将当前块与之前的中间结果合并后让 LLM 提炼，适合需要全局视角的任务。
Stuff 链：直接将所有文档块拼接到提示词中，适用于文档总量较小的情况。

3. Milvus 向量数据库面试题详解

3.1 什么是向量数据库？为什么大模型应用需要它？

参考答案：向量数据库是专门用于存储、索引和查询高维向量数据的数据库。在大模型应用中，文本、图片等非结构化数据被嵌入模型（Embedding Model）转换成高维向量，向量数据库负责高效检索语义最接近的向量。

核心价值在于：解决了 LLM 无法感知私有数据的问题。通过将企业知识库向量化存入向量数据库，可在推理时检索出相关上下文，实现 RAG。

3.2 Milvus 的核心架构是怎样的？

参考答案：Milvus 采用存储计算分离的云原生架构，主要包含四个层次：

接入层（Access Layer）：提供客户端 SDK（Python、Java、Go 等）及 RESTful API，负责请求转发与结果聚合。
协调服务（Coordinator Service）：包括 Root Coord、Query Coord、Data Coord、Index Coord，分别管理元数据、查询调度、数据持久化和索引构建。
工作节点（Worker Node）：包括 Query Node（执行向量检索）、Data Node（处理数据插入）、Index Node（构建向量索引）。
存储层（Storage）：元数据用 etcd，消息流用 Pulsar 或 Kafka，对象存储用 MinIO 或 S3。

3.3 Milvus 支持哪些索引类型？如何选择合适的索引？

参考答案：Milvus 支持十余种向量索引，常见的有：

IVF_FLAT：基于倒排文件的索引，量化加速搜索。适合对精度要求高、可接受一定查询延迟的场景。
IVF_SQ8 / IVF_PQ：在 IVF 基础上进行标量量化或乘积量化，进一步压缩内存占用。适合内存有限的大规模数据集。
HNSW：基于分层可导航小世界图，查询性能极高、构建速度较快。适合低延迟在线服务场景，是目前最主流的选择之一。
SCANN：Google 提出的向量近似最近邻搜索算法，在召回率和性能上表现优异。

选择建议：对延迟不敏感、追求高精度选 IVF_FLAT；在线服务追求高 QPS 选 HNSW；内存紧张、数据量极大选 IVF_PQ。

3.4 Milvus 如何实现混合检索（Hybrid Search）？

参考答案：Milvus 从 2.4 版本开始原生支持混合检索。本质是将向量相似度检索与标量过滤、全文检索相结合。典型场景是：在电商中同时按商品图片相似度和价格、品牌等标量条件筛选。实现方式包括：

标量过滤 + 向量检索：先通过布尔表达式过滤标量字段，再在候选集中做向量相似度检索。
多向量混合检索：对同一实体同时用多个向量字段（如图片向量和文本向量）进行检索，结果按加权得分重排序。

4. RAG 检索增强生成面试题详解

4.1 请详细描述 RAG 的完整工作流程

参考答案：RAG（Retrieval-Augmented Generation，检索增强生成）的标准流程分为离线索引和在线检索生成两个阶段：

离线索引阶段：

文档加载：从 PDF、网页、数据库等多种数据源加载原始文档。
文档解析与清洗：去除页眉页脚、乱码等噪声，提取纯文本内容。
文本切分：按语义边界将长文档切分为适当大小的块（Chunk），并保留块间重叠。
向量化：使用 Embedding 模型将每个文本块转换为固定维度的向量。
向量存储：将向量和对应的原始文本元数据存入 Milvus 等向量数据库。

在线检索生成阶段：

用户提问：用户输入自然语言问题。
问题向量化：使用同一 Embedding 模型将问题转为向量。
相似度检索：在向量数据库中检索 Top-K 个语义最相似的文本块。
上下文拼接：将检索到的文本块与用户问题、提示词模板组合成完整 Prompt。
LLM 生成：将拼接后的 Prompt 发送给 LLM，生成包含引用来源的答案。

4.2 RAG 中常见的检索失败原因及优化方案有哪些？

参考答案：常见失败原因及对应优化：

知识库内容不完整或质量差：优化方案是提升文档质量、补充缺失内容，建立文档版本管理机制。
Embedding 模型与领域不匹配：针对专业领域（医疗、法律、金融等）使用领域微调的 Embedding 模型，或采用 BGE、E5 等高性能开源模型。
文本切分策略不当：Chunk 过大导致召回精度低，过小导致语义碎片化。需根据文档结构动态调整 chunk_size 和 chunk_overlap，必要时采用语义分块或父子索引模式。
Top-K 选择不合理：K 值过小遗漏关键信息，K 值过大引入噪声。可通过 ReRank 对召回结果重排序，或采用多路召回融合策略。
用户问题表述模糊：可通过查询重写（Query Rewriting）、Multi-Query 生成和 HyDE（假设文档嵌入）等技术优化查询表达。

4.3 什么是 Advanced RAG？与传统 RAG 有何区别？

参考答案：Advanced RAG（高级 RAG）在传统“检索→生成”两阶段基础上，引入了更多预处理和后处理模块来提升效果和可靠性。核心增强包括：

查询增强：包括查询重写、子问题分解（Sub-Query）、多步推理（Step-Back Prompting）等，提升检索召回率。
检索增强：包括混合检索（向量+关键词）、多路召回融合、上下文压缩、自查询检索等。
后处理增强：包括 ReRank 重排序、相似度阈值过滤、引用验证、幻觉检测等。
索引增强：包括层级索引、摘要索引、知识图谱辅助索引、多粒度索引等。

5. Agent（智能体）面试题详解

5.1 什么是 AI Agent？它的核心架构是怎样的？

参考答案：AI Agent 是能够感知环境、自主规划、调用工具并执行任务的智能实体。在大模型语境下，Agent 以 LLM 为核心推理引擎，具备以下四大核心模块：

规划模块（Planning）：负责任务分解（Task Decomposition）和反思（Self-Reflection）。将复杂目标拆解为可执行的子任务，并根据执行结果动态调整计划。
记忆模块（Memory）：分为短期记忆（对话上下文、当前任务状态）和长期记忆（向量数据库存储的历史经验、用户偏好）。
工具使用（Tool Use）：Agent 通过调用外部 API、数据库、代码解释器、搜索引擎等工具来弥补 LLM 自身能力的不足（如数学计算、实时信息获取）。
行动模块（Action）：负责执行具体操作，将工具调用的结果反馈给推理链路。

5.2 ReAct 模式是什么？请举例说明

参考答案：ReAct（Reasoning + Acting）是将推理和行动交错执行的范式。Agent 不直接给出最终答案，而是通过“思考→行动→观察→思考…”的循环来逐步求解。典型流程：

Thought（思考）：分析当前状态，决定下一步需要什么信息或操作。
Action（行动）：调用具体工具（如搜索 API、计算器）。
Observation（观察）：获取工具返回的结果。

例如用户问“2024年诺贝尔物理学奖得主的年龄是多少？”Agent 会先思考需要搜索获奖者姓名，调用搜索工具得到“John Hopfield 和 Geoffrey Hinton”，再搜索两人出生日期，最后调用计算工具算出年龄。这种方式比一步到位直接回答更可靠，且过程可解释。

5.3 如何设计一个生产级的 Agent 系统？需要考虑哪些问题？

参考答案：生产级 Agent 系统设计需要关注以下方面：

安全边界：限制 Agent 对敏感 API 的访问权限，设置操作审批机制（Human-in-the-Loop）。
超时与重试：单次工具调用设置超时时间，避免因网络或服务异常导致无限等待。
最大步数限制：防止 Agent 陷入无限循环，设置每轮任务的最大推理步数。
工具描述质量：工具名称、参数说明必须清晰准确，直接影响 LLM 的工具选择准确率。
成本控制：监控 Token 消耗，对频繁调用昂贵模型的步骤设置预算上限。
可观测性：记录每一次 Thought-Action-Observation 的完整链路，便于调试和审计。

6. FDE（基础数据处理）面试题详解

6.1 在大模型应用中，FDE 包含哪些关键环节？

参考答案：FDE（Foundation Data Engineering，基础数据处理）是 RAG 和 Agent 系统的基石，整个数据处理管线直接影响大模型应用的最终效果。核心环节包括：

数据接入（Ingestion）：支持多种数据源连接器，如 PDF 解析（PyPDF2、PDFPlumber、Unstructured）、HTML 抓取、数据库 CDC 同步、API 对接等。
数据清洗（Cleaning）：去除多余空白、页眉页脚、水印、HTML 标签等噪声；处理编码问题；统一文本格式。
数据转换（Transformation）：包括 Markdown 转纯文本、表格提取、OCR 识别图片文字、多语言翻译归一化等。
元数据提取与维护：从文档中提取标题、作者、日期、页码等结构化元数据，用于后续的精准过滤和引用溯源。
数据质量监控：检查文本块长度分布、语言一致性、向量化覆盖率等指标，确保知识库质量。

6.2 如何处理非结构化文档中的表格和图片信息？

参考答案：这是 FDE 中的关键挑战，主流方案有：

表格处理：使用 Unstructured 库的 table extraction 功能将表格转 Markdown 或 HTML 格式保留列结构；对复杂表格可配合多模态模型（如 GPT-4V、Qwen-VL）直接理解表格语义。
图片处理：对文档中的示意图、架构图，通过多模态 Embedding 模型（如 CLIP）生成图片向量，与文本向量一同存入向量数据库；也可先通过 OCR 提取图中的文字信息。
图文关联：将图片与其相邻的段落绑定为父子 Chunk，检索时以文本 Chunk 召回，同步返回关联的图片作为上下文。

7. LangGraph 面试题详解

7.1 LangGraph 是什么？它解决了什么问题？

参考答案：LangGraph 是 LangChain 生态中专门用于构建有状态、多角色、可循环 Agent 和复杂流程的框架。传统 Chain 是固定的有向无环图（DAG），而 LangGraph 通过图结构（Graph）定义应用流程，天然支持：

循环控制流：Agent 可在节点间循环往复，直到满足终止条件。这正是 ReAct 等 Agent 模式的底层支撑。
状态管理：每个图实例维护一个 State 对象，在节点之间传递并持久化，解决了 Agent 的长期记忆和上下文管理问题。
人机交互（Human-in-the-Loop）：可在图的任何节点暂停执行，等待人工审批后再继续，是生产级 Agent 的关键能力。
流式输出：支持节点级别和 Token 级别的流式事件推送，提升用户体验。

7.2 LangGraph 的核心概念有哪些？

参考答案：LangGraph 的核心概念包括：

State（状态）：定义图内部共享数据的结构（TypedDict 或 Pydantic 模型），包含消息列表、中间结果、用户偏好等。
Nodes（节点）：图中的执行单元，通常是 Python 函数或 Runnable。接收 State，返回 State 的部分更新。
Edges（边）：连接节点，分为普通边（固定流转）和条件边（根据 State 内容动态路由到不同节点）。
StateGraph：核心构建器 API，用于声明式地添加节点、边并编译为可运行的应用。
Checkpointer：持久化组件，支持将每个步骤的状态保存到内存或数据库（如 SQLite、Postgres），实现暂停恢复和版本回溯。

7.3 请给出一个 LangGraph 构建 Agent 的代码示例

参考答案：以下是一个基于 LangGraph 实现的 ReAct Agent 核心代码骨架：

from typing import TypedDict, Annotated, Sequence
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
from langchain_core.messages import BaseMessage, HumanMessage, AIMessage
import operator
1. 定义 State
class AgentState(TypedDict):
messages: Annotated[Sequence[BaseMessage], operator.add]
next_step: str
2. 定义节点：调用 LLM 进行推理与工具选择
def call_model(state: AgentState, config):
# 实际开发中这里绑定 LLM 与工具
# response = llm_with_tools.invoke(state["messages"])
response = AIMessage(content="推理结果...")
return {"messages": [response]}
3. 定义路由条件
def should_continue(state: AgentState):
last_message = state["messages"][-1]
# 如果没有工具调用请求，则结束
if not hasattr(last_message, "tool_calls") or not last_message.tool_calls:
return "end"
return "continue"
4. 构建图
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", call_tools)  # call_tools 为自定义工具执行函数
workflow.set_entry_point("agent")
workflow.add_conditional_edges(
"agent",
should_continue,
{
"continue": "tools",
"end": END
}
)
workflow.add_edge("tools", "agent")  # 工具执行后返回 agent 继续推理
5. 编译应用
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)
6. 运行
inputs = {"messages": [HumanMessage(content="帮我查询北京今天的天气")]}
for event in app.stream(inputs, {"configurable": {"thread_id": "user-123"}}):
print(event)

8. 综合面试题与最佳实践

8.1 请设计一个完整的企业级 RAG 问答系统的技术架构

参考答案：企业级 RAG 系统通常包含多层架构设计：

数据层：多源数据接入（Confluence、Notion、Git、数据库等），通过 ETL 管道（如 Airflow、Prefect）定期同步与增量更新。使用 Unstructured 或定制解析器处理各类文档格式。
向量检索引擎层：以 Milvus 作为向量数据库，配置 HNSW 索引保证毫秒级检索。引入混合检索（向量+BM25）提升召回覆盖率。对多租户场景使用 Partition Key 做数据隔离。
检索优化层：实现查询路由（Query Routing）、查询重写、HyDE 等查询增强策略。构建 ReRank 服务（如 BGE-Reranker、Cohere Rerank）对粗排结果精排。
生成与 Agent 层：基于 LangChain/LangGraph 构建 RAG Chain 或 Agent。引入意图识别（Intent Classification）分流简单问答和复杂分析任务。对敏感操作引入 Human-in-the-Loop 审批。
服务与监控层：通过 FastAPI 或 gRPC 对外暴露 API。接入 LangSmith、Langfuse 等平台监控检索质量、生成质量、延迟和 Token 消耗。建立基于用户反馈的评估与持续优化闭环。

8.2 大模型面试中如何回答"你做过的最复杂的 AI 项目"？

参考答案：建议使用 STAR 原则（Situation、Task、Action、Result）组织回答，并重点突出技术深度与工程落地能力：

Situation：说明业务背景和项目的核心挑战。例如“公司客服系统每天处理10万条咨询，人工成本高，需要构建智能客服 Agent 实现自动化”。
Task：明确你在项目中的角色与职责。“我负责整体技术架构设计，包括 RAG 知识库搭建、多轮对话 Agent 开发、向量数据库选型与优化”。
Action：详细描述技术方案。如“基于 LangChain + Milvus 构建 RAG 管线，用 LangGraph 实现多轮对话状态管理，通过 ReRank 将检索 Top-20 精排到 Top-3，使召回率从 72% 提升到 93%”。
Result：量化项目成果。“上线后人工客服转接率下降 60%，用户满意度评分从 3.8 提升至 4.5，系统日均处理量达到 8 万次，P99 延迟控制在 1.2 秒内”。

9. 总结与面试准备建议

本文从面试官视角出发，系统梳理了 AI 大模型工程领域的六大核心技术栈——LangChain、Milvus、RAG、Agent、FDE 和 LangGraph——的面试高频考点。这些技术并非孤立存在，它们在实际项目中紧密配合：FDE 构建高质量数据基石，Milvus 提供高性能向量检索，LangChain 和 LangGraph 负责编排复杂推理链路，而 RAG 和 Agent 分别代表了增强生成和自主行动两种核心应用范式。

面试准备的三个核心建议：