分清场景，按需选择：为对话连续性和故障恢复使用；为跨会话的用户画像和事实记忆使用Stores；为外部知识库检索使用。开发测试用内存，生产环境用数据库和仅适用于开发和测试。生产环境务必切换为等持久化后端。注意数据过期与清理：设计合理的数据过期策略（TTL），避免无效数据占用存储空间。大流量下的Checkpointer优化：对于高吞吐量部署，考虑使用BLOB存储来防止数据库膨胀。某些Saver实现（如

减少单次决策的复杂性。优化工具描述动态路由分组参数验证与后处理多 Agent 分工强制工具调用人工干预兜底通过这些方法，可以显著提升多工具场景下 Agent 的回答准确性和可靠性。“动态路由分组”是解决多工具场景下模型“选择困难症”的核心架构模式。不把所有的工具都塞给一个 Agent，而是根据用户的意图，将请求动态地分配给只挂载了相关工具的子 Agent（或子图）。

在深入面试题之前，我们首先需要理解 BM25 是什么。BM25（Best Matching 25）是一种词袋检索模型，用于信息检索系统，评估文档与给定搜索查询的相关性。它基于词频（TF）和逆文档频率（IDF）等统计信息进行打分，是 TF-IDF 的进化版：它根据查询词项在文档中出现的频率进行打分，同时对那些在整个语料库中过于常见的词进行惩罚。如果一篇文档包含了用户查询中的关键词，且这些词在其他文档

你的，技术广度不错，对自己做过的项目（包括个人AI项目）能说得比较清楚。面试官评价你“很自信”、“很有想法”、“愿意自己学自己做”，这是很好的印象分。但从面试官的来看，你的回答存在几个比较典型的短板——。下面我把两轮面试中暴露出的问题按优先级排出来，并给出加强方向。

在面试快要结束时，你说：“我现在很渴望能够进入这个真实的开发”、“我现在最大的诉求就是入这个行业，其他的不是首先考虑的”。这段话暴露了你的急迫感。你可能缺乏选择权，容易被压薪资你对公司的业务方向和长期发展未必真的感兴趣，只是想“先入行”你可能对岗位要求不够了解，入职后可能会后悔“我目前确实在积极寻找AI方向的落地机会。但我选公司不只是看‘是不是AI岗位’，我更关注这个岗位的技术栈是否匹配我的积累、

策略适用场景优点缺点消息裁剪对话轮次可控，不关心早期内容实现简单，Token 可控可能丢失重要早期信息摘要压缩长对话但需保留核心信息节省 Token，保留语义摘要摘要可能丢失细节，需额外 LLM 调用向量记忆超长对话或知识库场景可扩展至海量历史，按需检索实现复杂，有额外检索延迟状态快照Agent 工作流、故障恢复保存完整状态，支持时间旅行存储开销大，需持久化支持根据你的实际场景，可以组合使用这些策

这段代码清晰地展示了 LangChain 处理对话记忆的标准范式，是面试中常见的实战示例。掌握其原理和扩展方式，能够体现你对 LangChain 核心组件的深度理解。）存储对话历史，并自动在每次请求时将历史消息注入提示模板。这段代码演示了如何使用 LangChain 的。组件，结合通义千问模型（在内存中按会话 ID（

Embedding（嵌入）是将文本、图像、音频等高维离散数据，转换为低维、稠密、连续的向量（Vector）的过程。这个向量是一串浮点数（如），用来表示原始数据的“语义特征”。在 LLM/RAG 语境下，文本嵌入（Text Embedding）就是把一段文字“翻译”成数学坐标。语义越相近的文本，它们在向量空间中的距离就越近。一句话定义：Embedding 是大模型理解世界的“通用语言”——把万物转化

Runnable是 LangChain 生态的“基石接口”，它统一了所有组件的执行方式，定义了invokestreambatch三大核心方法，并通过 LCEL（）实现了组件的无限组合。无论是提示、模型、解析器、工具、检索器，还是 LangGraph 图，最终都归一为同一个Runnable接口，这是 LangChain 能够保持高度灵活性和扩展性的根本原因。理解Runnable，就理解了 LangC

是 LCEL 中一个看似简单但极其有用的工具，它让数据流变得更加灵活。通过assign，它允许你在不破坏原始数据的前提下，给数据“附加”新的衍生信息，这在构建复杂 RAG 或 Agent 系统时非常关键。理解它能帮助你写出更可读、更健壮的链式代码。