10. 自测清单
1. 使用方式
这份清单用来检查你是否真的理解 LangChain 生态。
建议做法:
- 先不看答案,自己口头回答。
- 每个问题尽量用大白话解释。
- 能写最小代码例子的,就写一个。
- 答不上来的问题,回到对应专题文档复习。
1.1 动手验收
完成 示例统一准备,然后逐一运行 examples/01 至 examples/08 的脚本。验收时至少确认:
01_chat_basics.py输出一段ChatGPT中文回答。04_rag_pipeline.py先打印检索到的来源文本,再打印带 [source] 的回答。05_agent_tools.py能得到基于工具返回的年假答案。06_langgraph.py能从LangGraph的最终State取到模型回答。- 设置
LangSmith配置后,07_langsmith.py的调用可在LangSmith项目中查询到。
2. 生态分层
langchain_core和langchain有什么区别?- 为什么现在很多模型集成要用独立包?
langchain_community适合放什么?langgraph和langchain是竞争关系吗?langsmith是写业务流程的,还是做观测评估的?
3. langchain_core
- Message 里的
system、human、ai、tool分别代表什么? PromptTemplate和ChatPromptTemplate有什么区别?Runnable解决什么问题?.invoke()、.stream()、.batch()有什么区别?Tool的名称和描述为什么重要?OutputParser失败时应该怎么处理?
4. 模型调用
- Chat
Model和EmbeddingModel有什么区别? - 为什么
RAG入库和查询最好使用同一个embedding模型? - 换
embedding模型后为什么通常要重建索引? temperature对回答有什么影响?- streaming 适合什么场景?
- 为什么要记录模型版本和参数?
5. RAG
RAG的最小链路包含哪些步骤?Document.page_content和Document.metadata分别放什么?chunksize 和chunkoverlap 会影响什么?- Loader 阶段最容易出什么问题?
Retriever和 Vector Store 是什么关系?top_k太大或太小分别有什么问题?- 为什么答案必须带引用来源?
- 检索不到资料时系统应该怎么回答?
6. Agent 和工具
- 普通
RAG和AgenticRAG的区别是什么? Agent为什么不是越自由越好?- 什么样的工具描述更容易让模型正确调用?
- 为什么
Agent必须限制最大步骤? - 工具调用失败时应该给模型返回什么?
- 什么场景不适合使用
Agent?
7. LangGraph
State、Node、Edge分别是什么?- Conditional
Edge解决什么问题? - 什么情况下需要循环?
- 为什么循环必须有结束条件?
- 什么场景需要 Checkpointer?
Human-in-the-loop解决什么问题?- 一个好的
Node应该满足什么标准?
8. LangSmith
- Trace 能看到哪些信息?
- 为什么只看最终答案不够?
- Dataset 应该包含哪些样本?
- Evaluation 可以评估哪些指标?
- 用户 feedback 应该如何进入改进流程?
- 企业
RAG上线后至少要监控哪些指标?
9. 企业 RAG 工程化
- 为什么权限过滤不能只靠前端?
- 为什么不能先检索全部文档,再让模型不要说敏感内容?
- 文档更新时为什么要处理旧
chunk? - 什么样的引用才算可追溯?
RAG成本主要来自哪些地方?- 如何判断一次
Prompt修改真的提升了效果? - 从 Demo 到生产还缺哪些能力?
10. 最终验收
如果你能完成下面 5 件事,说明你已经具备 LangChain 生态的基础实战理解:
- 画出
LangChain、LangGraph、LangSmith、langchain_core的关系图。 - 写出一个最小
RAG链路。 - 把一个函数封装成
Tool。 - 用
LangGraph设计一个带条件分支的流程。 - 用
LangSmith分析一次错误回答的原因。
评论
正在加载评论…