Agent面试真题04:10道LangGraph高频面试题,90% AI Agent面试都会问!(附详细答案)

大家好，我是大志。

如果说 LangChain 是 AI Agent 的基础开发框架，那么 LangGraph 就是目前企业级 Agent 应用最主流的工作流编排框架。

随着 AI Agent 的发展，越来越多的企业开始采用 LangGraph 来构建复杂的 Agent 系统。因此，在 AI Agent 面试中，LangGraph 相关问题的出现频率也越来越高，尤其是 State、Node、Edge、Checkpoint、Human-in-the-loop、多 Agent 协作等知识点，几乎都是面试官重点考察的内容。

这篇文章就和大家一起系统梳理 LangGraph 的核心概念和工程实践，希望能帮助大家更好地理解 LangGraph。

另外，完整的 AI Agent 面试题文档也已经同步到了 aiflowline.cn，大家可以结合文章一起阅读。

1、LangGraph解决了什么问题？

LangChain在面对复杂的业务场景时，会遇到以下几个问题：

执行流程不可控：通过create_agent创建的Agent执行流程是黑盒的，开发者很难修改和调整执行路径。
无法处理复杂逻辑：当Agent的逻辑变得复杂后，可能会有多个分支、循环，无法构建复杂的业务流程。
不支持持久执行：如果Agent执行到一半失败了，只能从头开始重新执行，无法从失败的地方恢复继续。
不支持人工介入：在某些关键步骤（如转账、扣款），需要人工确认后才能继续。

LangGraph 就是为了解决这些问题而诞生的。它是一个基于图结构的Agent编排框架，通过图来管理Agent的执行流程。

LangGraph解决了上述问题：

流程可视化：用图结构描述执行流程，整个执行流程非常清晰
支持处理复杂逻辑：通过定义节点、边、条件边控制分支结构
持久执行：通过 Checkpoint 机制，支持断点恢复
人工介入：通过 interrupt/resume，支持 Human-in-the-Loop

2、LangGraph中的State是什么？

State（状态） 是 LangGraph 中所有节点的共享数据，定义了图运行过程中需要传递和更新的数据，State一般用于短期记忆。LangGraph 提供了一个 MessagesState，继承了 TypedDict，内部定义了消息列表，如果我们想自定义 State 可以继承 MessagesState。

classMessagesState(TypedDict):    messages: Annotated[list[AnyMessage], add_messages]

State 中的每个字段都可以指定一个归纳函数，决定了当节点返回数据时，是覆盖还是追加。不指定归纳函数，节点返回的数据会直接覆盖原数据；**指定 operator.add**，节点返回的数据会追加到原数据后面。

# 不指定归纳函数 → 覆盖classState(TypedDict):    result: str  # 每次节点返回都会覆盖# 指定operator.add → 追加classState(TypedDict):    result: Annotated[list[str], operator.add]  # 每次节点返回都会追加

每个节点函数都可以接收 State 作为参数，并读取 State 中的数据，通过返回值对字段进行更新。

defmy_node(state: MessagesState):# 读取State中的消息列表    messages = state["messages"]# 处理逻辑...# 返回需要更新的字段，`LangGraph`会自动合并到State中return {"messages": [new_message]}

3、LangGraph中的Node是什么？

Node（节点）是 LangGraph 中最基本的执行单元，本质上就是一个处理 State 的 Python 函数。

它接收当前状态（State）作为输入，执行相应逻辑后返回状态更新结果，LangGraph 会自动将返回结果合并到全局 State 中。

defchatbot(state):    response = model.invoke(state["messages"])return {"messages": [response]    }

添加 Node：

graph.add_node("chatbot", chatbot)

其中：

state：LangGraph State 数据
chatbot：Node 的具体实现
返回值：需要更新的状态数据

Node 节点可以负责调用 LLM、调用 Tool、RAG 检索、数据处理、条件判断等工作，在 LangGraph 中，State 负责存储数据，Node 负责处理数据，多个 Node 通过 Edge（边）连接后组成完整的 LangGraph 工作流。

4、LangGraph中的Edge是什么？

Edge（边）用于连接 Node 节点，通过边来决定工作流的执行顺序和执行路径。

添加边的方法如下，当 chatbot 节点执行完成后，会自动执行 tool 节点。

graph.add_edge("chatbot", "tool")

除了普通 Edge 之外，LangGraph 还支持条件边（Conditional Edge），示例如下：在条件边的路由函数中，判断是否需要执行工具，如需要，则返回 tool，执行 tool 节点，否则返回 END，执行结束节点。

graph.add_conditional_edges("chatbot",    route)defroute(state):if need_tool:return"tool"return END

所以，Edge 的核心作用是定义 Node 之间的执行顺序和执行路径，通过条件边实现条件分支和循环执行。

5、Checkpoint的作用是什么？

Checkpoint（检查点）用于持久化保存 State，让 LangGraph 拥有记忆能力。

当图执行到某个节点时，LangGraph 会自动将当前 State 保存到 Checkpoint 中。如果程序中断、重启或需要继续执行，可以从上次保存的位置恢复，而不需要重新开始。

例如：

from langgraph.checkpoint.memory import InMemorySavercheckpointer = InMemorySaver()builder = StateGraph(State)graph = builder.compile(    checkpointer=checkpointer)

执行过程中，State 会被自动保存：

{"messages": [...],"user_info": {...}}

下次使用相同的 thread_id 调用时，LangGraph 会自动恢复之前的 State，实现多轮对话记忆。

config = {"configurable": {"thread_id": "user_001"    }}

Checkpoint 的主要作用：

持久化保存 State
实现短期记忆
支持断点执行（Resume）
支持 Human-in-the-loop（人在环路）
支持长时间运行的 Agent 工作流

6、LangGraph如何实现断点恢复？

LangGraph 通过 Checkpoint（检查点）机制来实现断点恢复。

工作流运行过程中，LangGraph 会自动将当前 State 数据保存到 Checkpointer 中。当程序异常退出、服务重启或执行中断后，通过相同的 thread_id 恢复之前保存的状态，并从中断位置继续执行。

示例如下：

graph = builder.compile(    checkpointer=InMemorySaver())config = {"configurable": {"thread_id": "user_001"    }}

第一次执行：

graph.invoke(    {"messages": [HumanMessage("你好")]},    config=config)

程序重启后再次执行：

graph.invoke(    {"messages": [HumanMessage("继续刚才的话题")]},    config=config)

因为使用了相同的 thread_id，LangGraph 会自动从 Checkpoint 中恢复之前保存的 State，而不是从头开始执行。

Checkpoint 不仅保存 State，还会保存当前图的执行快照，包括下一步待执行的节点信息。因此恢复时不仅能恢复数据，还能恢复执行进度，从上次中断的位置继续执行。

7、LangGraph如何实现循环执行？

LangGraph 通过 条件边回到之前的节点 来实现循环执行，本质上就是在图中形成一个环（Loop）。

在实际场景中，通过条件边（Conditional Edge）控制循环何时结束，比如当 LLM 判断需要继续调用工具时，执行 tool 节点，工具执行完再回到 agent 节点；当任务完成时直接返回 END，执行结束节点停止循环。

graph.add_conditional_edges("agent",    should_continue)defshould_continue(state):if state["need_tool"]:return"tool"return END

为什么需要循环执行呢？因为在很多 Agent 场景中，LLM 往往需要多轮思考，本质上都依赖循环执行机制。

例如：

ReAct Agent
Tool Calling Agent
RAG 检索增强
多步任务规划

8、LangGraph如何实现多Agent协作？

LangGraph 中的多 Agent 协作，本质上是将多个 Agent 作为不同的 Node 节点，通过共享的 State 和 Edge 连接起来共同完成任务。

例如：

graph.add_node("planner", planner_agent)graph.add_node("researcher", researcher_agent)graph.add_node("writer", writer_agent)graph.add_edge("planner", "researcher")graph.add_edge("researcher", "writer")

其中：Planner Agent 负责任务规划，Researcher Agent 负责信息检索，Writer Agent 负责内容生成，多个 Agent 共享同一个 State。

classState(TypedDict):    task: str    research_result: str    final_answer: str

还可以使用 Conditional Edge 动态路由，来决定执行哪个 Agent。

graph.add_conditional_edges("planner",    route_agent)

9、LangGraph和AutoGen有什么区别？

LangGraph 和 AutoGen 都可以用于构建 AI Agent 应用，但两者的设计理念不同。LangGraph 更关注工作流编排，AutoGen 更关注多 Agent 协作。LangGraph 执行过程由图结构控制，开发者需要明确设计执行流程。AutoGen 基于 Agent 对话，多个 Agent 通过消息传递协作完成任务。

在流程管理上：

LangGraph 支持条件分支、循环执行、状态持久化、Human-in-the-loop、断点恢复。
AutoGen 流程主要依赖 Agent 之间的对话，控制逻辑更多由 Agent 自主决定，复杂流程的可控性弱于 LangGraph。

在状态管理上：

LangGraph 拥有统一的 State，所有节点共享同一个状态对象。
AutoGen 每个 Agent 维护自己的消息历史，状态管理相对分散。

在多 Agent 支持上：

LangGraph 支持多 Agent，但不是核心设计目标，通常把 Agent 当作 Node。
AutoGen 把多 Agent 当成核心能力，天然适合 Agent 间协作和讨论。

在使用场景上：

LangGraph 更适合企业级 Agent、长流程任务。
AutoGen 适合实验项目、Agent 研究、多智能体探索。

10、LangGraph和CrewAI有什么区别？

LangGraph 更关注工作流编排，CrewAI 更关注多 Agent 角色协作。

在核心模型上：

LangGraph 基于 State Graph（状态图），由 State、Node、Edge 构成，执行过程由图结构控制，开发者需要明确设计执行流程。
CrewAI 基于 Role + Task + Crew（角色与任务），通过定义不同 Agent 角色和任务分工，由框架自动完成协作调度。

在流程管理上：

LangGraph 支持条件分支、循环执行、Checkpoint 状态持久化、Human-in-the-loop、断点恢复等能力，流程可控性非常强。
CrewAI 支持顺序执行（Sequential）和层级执行（Hierarchical），整体流程更偏自动化编排，复杂流程控制能力弱于 LangGraph。

在状态管理上：