LangGraph 的 streaming 在 Agent 应用中用于暴露哪些中间过程？
围绕“LangGraph 的 streaming 在 Agent 应用中用于暴露哪些中间过程”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明流式暴露节点执行与 token 输出对可观测性的作用。
核心关键词LangGraph streaming 中间状态 流式输出
面试知识索引 · 分类、标签与搜索
AI Agent · 流处理面试题，9 道完整答案
AI Agent · 流处理面试题第 1 页，显示第 1–9 题，共找到 9 道完整解析，可继续按分类、标签与关键词缩小范围。
9筛选结果
52技术分类
178检索标签
1索引分页
快速定位
清除全部筛选分类、标签与关键词搜索
第 1 页
本页面试问题
按稳定语义路径排序
- 0001
- 0002
多 Agent 系统中的 orchestrator-workers 模式是什么，它和工作流式编排的本质区别在哪？
解释 orchestrator-workers 模式与预定义路径工作流的本质区别：动态任务分解 vs 预定义路径。涵盖机制、适用场景、失败边界，并提供判断建议。
核心关键词多 Agent orchestrator-workers 模式 与 workflow 区别 - 0003
让 LLM 直接生成可执行代码当计划有什么优劣？
围绕“让 LLM 直接生成可执行代码当计划有什么优劣”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确代码计划的组合性与调试成本对比数据流式计划。
核心关键词code as plan agent 代码即计划 - 0004
计划执行过程中如何向用户流式汇报进度而不泄露内部细节？
围绕“计划执行过程中如何向用户流式汇报进度而不泄露内部细节”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确以计划节点为粒度映射用户可读的进度事件。
核心关键词agent 计划进度 流式汇报 - 0005
Python asyncio 实现的 Agent 中，取消一个正在执行的 LLM 流式请求需要穿过哪几层才能生效？
围绕“Python asyncio 实现的 Agent 中，取消一个正在执行的 LLM 流式请求需要穿过哪几层才能生效”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明 Task.cancel、流式响应关闭与工具子任务取消的传递链。
核心关键词asyncio Agent 取消 传播 流式 - 0006
Agent 的 LLM 连接池和并发数怎样根据上游限额估算？
用请求速率、Token 预算和占用时间估算在途请求，区分物理连接与业务许可，说明流式响应、多副本总额、尾延迟与容量观测。
核心关键词Agent LLM 连接池并发数与速率限额估算 - 0007
Agent 使用流式响应时，整体超时和首 token 超时应分别设置多长，为什么不能用同一个值？
围绕“Agent 使用流式响应时，整体超时和首 token 超时应分别设置多长，为什么不能用同一个值”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须区分建连/首 token 与持续生成两个阶段的健康判据。
核心关键词Agent 流式 首token 超时 - 0008
LangGraph 流式执行中遇到 interrupt 后如何恢复同一个 stream，断流重连会丢事件吗？
围绕“LangGraph 流式执行中遇到 interrupt 后如何恢复同一个 stream，断流重连会丢事件吗”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖要讲清 resume 触发新 stream 与检查点保证不丢状态的边界。
核心关键词LangGraph stream 中断 恢复 事件 - 0009
LangGraph 的 stream_mode（values/updates/messages）在观测工作流执行时分别输出什么，调试选哪个？
围绕“LangGraph 的 stream_mode（values/updates/messages）在观测工作流执行时分”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要比较全量状态、增量更新与 token 级消息三种模式及调试选型。
核心关键词LangGraph stream_mode 流式输出 调试