基础（概念与核心机制）
1. LangGraph 是什么？与 LangChain 的关系？适用场景？
LangGraph 是 LangChain 之上的图式（graph-based）智能体与工作流框架，用节点（Node）+共享状态（State）来组织分支、循环和多步代理；适合需要可控性、可靠性与复杂流程的应用（而非简单串链）。
2. 什么是 StateGraph / State？Reducer 有什么用？
StateGraph 是“节点读共享 State、写 Partial”的图。每个 state key 可声明 reducer，用于聚合并行分支的更新（如把多条消息 append 到同一列表）。
3. 消息通道与 add_messages 有何特别之处？
消息是高频场景，LangGraph内置 add_messages reducer 与 MessagesState，可智能合并/去重消息，甚至支持 RemoveMessage 做消息撤回/修订。
4. 边的类型：固定边 vs 条件边 vs Command？

•	固定边：顺序执行 add_edge("A","B")
•	条件边：由函数（可LLM驱动）路由到不同后继
•	Command：同时更新状态并跳转（含跨到父图/其他子图的跳转）

适用：多智能体移交时更偏向 Command；仅路由用条件边。

5.	并行是如何实现的？什么是 super-step？

当路由函数返回多个后继时，这些节点在同一 super-step 并行执行；常见范式是 map-reduce：平铺子任务并行，聚合器用 reducer 合并。

⸻

进阶（人参与持久化、工具、编排）
6. Human-in-the-Loop 怎么做？interrupt 有何作用？
用 interrupt 在节点内（动态）或 interrupt_before/after（静态）暂停图并等待人审；依托持久化可无限期挂起与恢复，常用于工具调用审批/结果编辑。
7. 为什么 LangGraph 强调持久化（Checkpointer）？
编译图时接入 Checkpointer 会在每个 super-step 自动保存检查点到 thread，从而支持故障恢复、时间旅行、长期记忆与人审；官方提供 SQLite/Postgres 等实现。
8. ToolNode 与工具调用的最佳实践？
ToolNode 是预置节点：把 LLM 产生的 tool-call（名/参）映射到本地函数并执行；也可用预置的 agent（如 create_react_agent）循环调用工具直到停止条件。
9. Orchestrator-Worker（扇出/扇入）如何建模？
用 Send API 动态创建 worker 分支处理子任务（各自有子状态），其输出写入共享 key，主编排器汇总后产出结果——典型并行摘要/验证/投票场景。
10. 子图（Subgraph）有什么用？如何跨图跳转？
大图拆成可复用的子图，在子图内部可用 Command(graph=Command.PARENT) 跳回父图或其它子图，适合复杂协作/多代理编排。
11. 如何限制并行分支的并发以适配 API 限流？
并行来自 map-reduce/路由的 fan-out；社区讨论常见做法是自定义批量/分块或在调用端施加并发控制（如信号量/队列）。
12. Deferred Nodes 是什么？
延迟节点允许你声明“等所有并行分支完成后再运行”，便于协调复杂的异步逻辑与收敛点。 

⸻

高阶（迁移、调试、陷阱）
13. 图变更（迁移）会不会“毒化”既有线程？
LangGraph 支持在启用 checkpointer 的情况下迁移图定义（节点/边/State），并提供相应的迁移指引，避免 thread 状态失配。
14. 如何在工具里修改 State？会不会被覆盖？
节点默认对相同 key 是“覆盖写”；若要累加/合并需为该 key 指定 reducer（如 add_messages），工具里返回的 Partial 会按 reducer 聚合。
15. 面试常考代码题：最小可用聊天代理（并带消息聚合）
要点：定义 State（含 messages: Annotated[List[BaseMessage], add_messages]）、建 llm_node 产出 AIMessage，图里连 START→LLM→END；返回的 dict 会自动写回 State，消息用 reducer 追加。 

from typing import TypedDict, Annotated, List
from langchain_core.messages import BaseMessage, HumanMessage
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

class State(TypedDict):
    messages: Annotated[List[BaseMessage], add_messages]

def llm_node(state: State) -> State:
    # 伪代码：把最后一条用户消息回声为 AI 回复
    reply = HumanMessage(content="收到：" + state["messages"][-1].content)
    return {"messages": [reply]}  # 由 add_messages 聚合

g = StateGraph(State)
g.add_node("llm", llm_node)
g.add_edge(START, "llm"); g.add_edge("llm", END)
app = g.compile()

⸻

追问方向（给面试官的“加分点”提示）
• 并行扇出策略（map-reduce、分块/分批并发）与收敛点控制（deferred node）。
• 人审体验：在哪些节点打断？如何把工具调用审批接到前端并在恢复时继续？
• 持久化选型（SQLite 开发、本地；Postgres 生产）与线程（thread）模型的用法。
• 工具栈选择：用 ToolNode 还是 llm.bind_tools，以及错误处理与重试。

⸻