如何用 LangGraph StateGraph 定义一个带状态的工作流，State 的字段在节点间如何传递？
围绕“如何用 LangGraph StateGraph 定义一个带状态的工作流，State 的字段在节点间如何传递”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须讲清 State schema、节点返回部分状态更新、框架合并写回的基本链路。
核心关键词LangGraph StateGraph 定义状态工作流
面试知识索引 · 分类、标签与搜索
5000 道程序员面试题，每题都有完整答案
程序员面试题库第 11 页，收录第 501–550 题，共 5000 道完整解析，覆盖前端、JavaScript、React、Vue、Node.js、AI Agent、网络、数据库与系统设计。
5,000完整问题
52技术分类
178检索标签
100索引分页
快速定位
分类、标签与关键词搜索
技术分类52 个
全部分类5000AI Agent511浏览器301JavaScript285React281AI 开发262CSS240Node.js217TypeScript206Vue180前端工程化138React Native135
查看全部 52 个分类
热门标签178 个
查看其余 163 个标签
测试109数据库事务95实时通信92Web 可访问性90动画79可观测性77Agent 记忆75向量检索66工具调用66LangGraph59Prompt56任务规划53排障与运维53数据库索引52浏览器自动化51Flexbox50值与类型50GraphQL49事务与并发49构建与镜像49DNS 与 TLS48工程协作与交付48AI 评测47CSS Grid47Express 服务47MCP47副作用与同步47向量与嵌入47文件与多媒体47流与二进制47传输与协议46列表与性能46可维护代码46响应式原理46容器运行46指标日志追踪46数据建模与运维46文件与 I/O46表单与输入46MCP 协议45RAG45Vite 与模块构建45Webpack45内存与虚拟化45原生集成45多 Agent45工作负载与发布45应用与性能45数据处理45模块与工具链45组件与模板45缓存与数据结构45网络与运维45评估与调试45身份认证与授权45运行时与开发45Web 系统方案44一致性与容错44侦听与生命周期44分布式使用44原生组件与交互44可访问交互44消息与异步处理44渲染与调度44索引与执行计划44组件设计44缓存与代理44进程与并发44层叠与选择器43攻击面与防御43文档数据库43权限与安全43离线与渐进增强43语义与文档43请求与通信 API43Worker 与线程协作42事件系统42存储与离线数据42服务架构42服务端与流式渲染42服务端工程42泛型设计42版本控制42类型收窄42类型运算42组件与端到端42编码与执行42进程与线程42DOM 与文档操作41Flex 布局41HTTP 语义41NestJS 架构41REST 与接口契约41SQL 查询41加载与交互性能41动画与视觉41类型工程41记忆与状态41运行时与调度41Agent 架构40WebAssembly 集成40单元与集成测试40多 Agent 协作40工作流编排40模块与语言机制40浏览器与 UI 自动化40生产运行40函数与作用域39响应式设计39性能与并发39类型系统基础39Grid 布局38数组与集合38盒模型与排版38Hooks 与复用37应用开发37推理与成本37状态共享37知识库数据37模型与应用评测36对象与原型35状态与渲染35语言与并发35异步与 Promise34Effect32RAG 检索31React 性能31响应式与性能31微调与数据31TanStack Query30全栈边界30数据与缓存30大模型基础29路由与数据流29事件循环28流式交互28提示与上下文设计27数据与服务端27组件与依赖注入27组件与响应式27多模态应用24应用与渲染24Hydration22沙箱安全22状态管理18算法18CI/CD13语言与运行时10React Server Components6搜索与排序4实用函数实现3链表栈队列3图算法2字符串算法2树与遍历2索引与高级结构2Kubernetes1作用域与函数1动态规划1异步与浏览器1手写与交互性能1数组与双指针1相等比较1
第 11 页
本页面试问题
按稳定语义路径排序
- 0501
- 0502
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 - 0503
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 - 0504
LangGraph 子图有自己独立的检查点吗，从父图视角恢复时子图内部状态如何处理？
围绕“LangGraph 子图有自己独立的检查点吗，从父图视角恢复时子图内部状态如何处理”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖聚焦子图 checkpoint 命名空间与父图恢复的层级关系。
核心关键词LangGraph 子图 检查点 恢复 - 0505
LangGraph 中何时把一组节点封装成子图，父子图之间状态如何映射与传递？
围绕“LangGraph 中何时把一组节点封装成子图，父子图之间状态如何映射与传递”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖要讲清子图复用与封装边界以及父/子 schema 不一致时的键映射。
核心关键词LangGraph 子图 状态映射 - 0506
LangGraph 的 durability 模式（sync/async/exit）在崩溃恢复语义上有什么差异？
围绕“LangGraph 的 durability 模式（sync/async/exit）在崩溃恢复语义上有什么差异”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要比较同步落盘、异步与退出时落盘在性能与丢数据风险上的取舍。
核心关键词LangGraph durability sync async exit 崩溃恢复语义 - 0507
LangGraph 中 thread_id 如何把多次调用关联成一条会话，跨请求恢复状态依赖什么？
围绕“LangGraph 中 thread_id 如何把多次调用关联成一条会话，跨请求恢复状态依赖什么”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 thread 作为持久化命名空间的语义。
核心关键词LangGraph thread_id 会话 状态恢复 - 0508
LangGraph 的 update_state 如何以某个节点的身份写入状态，as_node 参数影响什么？
围绕“LangGraph 的 update_state 如何以某个节点的身份写入状态，as_node 参数影响什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖要回答伪节点写入对后续路由与检查点元数据的影响。
核心关键词LangGraph update_state as_node 状态修改 - 0509
LangGraph 的检查点（checkpoint）保存了哪些内容，为什么每个 super-step 结束都会写入？
围绕“LangGraph 的检查点（checkpoint）保存了哪些内容，为什么每个 super-step 结束都会写入”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须列出状态快照、待执行任务、元数据与 thread 关联。
核心关键词LangGraph checkpoint 检查点 内容 - 0510
LangGraph 的图执行模型是什么，节点和边在一次调用中如何被调度？
围绕“LangGraph 的图执行模型是什么，节点和边在一次调用中如何被调度”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须说清 LangGraph 把节点视为函数、按边关系逐步调度执行的整体模型。
核心关键词LangGraph graph execution 图执行模型 - 0511
Anthropic 如何区分 workflow 和 autonomous agent，工程上何时该放弃预定义工作流？
围绕“Anthropic 如何区分 workflow 和 autonomous agent，工程上何时该放弃预定义工作流”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确预定义路径与自主决策的控制权差异及选型标准。
核心关键词Anthropic workflow 与 autonomous agent 区别 选型 - 0512
线上更换嵌入模型前应该怎么做 A/B 或离线对比验证？
围绕“线上更换嵌入模型前应该怎么做 A/B 或离线对比验证”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确全量重嵌入后离线召回对比加小流量灰度、分数分布不可直接跨模型比较。
核心关键词更换嵌入模型 A/B测试 离线评估 - 0513
近似最近邻搜索相比暴力精确搜索牺牲了什么、换来了什么？
围绕“近似最近邻搜索相比暴力精确搜索牺牲了什么、换来了什么”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可控召回率损失换取数量级的延迟与内存改善。
核心关键词近似最近邻 精确搜索 权衡 ANN - 0514
为什么有的嵌入模型要求查询和文档加不同的前缀（如 query:/passage:），不加会怎样？
围绕“为什么有的嵌入模型要求查询和文档加不同的前缀（如 query:/passage:），不加会怎样”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确非对称训练使模型靠前缀区分检索方向、缺前缀显著降低召回。
核心关键词查询前缀 文档前缀 E5 非对称检索 - 0515
嵌入向量做二值量化（binary quantization）后能省多少存储，代价是什么？
围绕“嵌入向量做二值量化（binary quantization）后能省多少存储，代价是什么”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 32 倍压缩与重排序（rescore）配合才能保住召回。
核心关键词二值量化 嵌入 存储 精度损失 - 0516
文档切块大小如何影响嵌入检索质量，过大过小各有什么问题？
围绕“文档切块大小如何影响嵌入检索质量，过大过小各有什么问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确过小块丢上下文、过大块稀释语义且受模型输入长度限制。
核心关键词文档切块 chunk 大小 检索质量 - 0517
中英混排或夹带代码标识符的文本做嵌入时有什么特殊注意事项？
围绕“中英混排或夹带代码标识符的文本做嵌入时有什么特殊注意事项”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确子词切分对罕见标识符碎片化影响语义、必要时保留原始标识符或选代码友好模型。
核心关键词中英混合 代码标识符 嵌入 分词 - 0518
向量检索中余弦相似度和点积在什么条件下等价，什么时候结果会不同？
围绕“向量检索中余弦相似度和点积在什么条件下等价，什么时候结果会不同”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确两者在向量归一化后等价的数学条件及未归一化时排序差异。
核心关键词余弦相似度 点积 向量检索 区别 - 0519
中文查询召回不到英文文档，是多语言嵌入模型的问题还是检索配置的问题？
围绕“中文查询召回不到英文文档，是多语言嵌入模型的问题还是检索配置的问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确先确认模型是否声明跨语言对齐能力、再检查分数分布与阈值。
核心关键词跨语言检索 召回失败 多语言嵌入 排查 - 0520
高维空间中最近邻为什么会失去区分度，这对向量检索意味着什么？
围绕“高维空间中最近邻为什么会失去区分度，这对向量检索意味着什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确高维下距离趋于集中使精确近邻成本上升、近似索引成为必需。
核心关键词维度灾难 最近邻 区分度 高维 - 0521
嵌入维度越高检索质量一定越好吗？
本题解析嵌入维度与检索质量的关系，指出收益递减、维度灾难、存储延迟成本增加，并给出维度选择的工程判断方法。
核心关键词嵌入维度 检索质量 维度选择 - 0522
向量库报维度不匹配错误通常有哪些原因，如何排查？
围绕“向量库报维度不匹配错误通常有哪些原因，如何排查”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确模型版本混用、集合创建维度与当前模型不一致、截断配置不一致三类来源。
核心关键词向量维度不匹配 报错 排查 - 0523
源文档删除后向量库里的残留向量不清理会有什么后果，怎么处理？
围绕“源文档删除后向量库里的残留向量不清理会有什么后果，怎么处理”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确残留向量仍可能被检索返回造成引用失效内容、需按文档 ID 级联删除。
核心关键词向量删除 残留 清理 文档同步 - 0524
知识库里大量重复或近重复文档为什么会让 top-k 检索结果多样性崩塌，怎么缓解？
围绕“知识库里大量重复或近重复文档为什么会让 top-k 检索结果多样性崩塌，怎么缓解”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确近重复 chunk 临时标记挤掉多样结果、需入库前去重或检索后 MMR 重排。
核心关键词重复文档 top-k 多样性 去重 MMR - 0525
为什么公开嵌入模型榜单分数高不代表在你的数据上检索效果好？
围绕“为什么公开嵌入模型榜单分数高不代表在你的数据上检索效果好”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确领域分布漂移与任务类型（检索 vs 分类）差异，须用自有数据做召回评估。
核心关键词嵌入模型 榜单 领域迁移 评估 - 0526
嵌入向量检索时什么场景应该选欧氏距离而不是余弦相似度？
本题解释欧氏距离相对余弦相似度的适用场景：当向量模长包含语义信息（如未归一化模型输出）时欧氏距离更合适，并给出具体工程判断方法与失败边界。
核心关键词欧氏距离 余弦相似度 选择 嵌入检索 - 0527
没有现成标注时，如何构建检索质量评估用的黄金问答数据集？
围绕“没有现成标注时，如何构建检索质量评估用的黄金问答数据集”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确从真实日志抽样人工标注或合成问题并人工校验相关性标签。
核心关键词检索评估 黄金数据集 构建 标注 - 0528
向量检索加元数据过滤后召回率下降，可能是什么原因？
围绕“向量检索加元数据过滤后召回率下降，可能是什么原因”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确过滤缩小候选池使 ANN 在过滤后剩余点不足、需过滤感知遍历或先过滤后检索策略。
核心关键词元数据过滤 向量检索 召回下降 - 0529
线上延迟升高时调小 HNSW 的 efSearch 会发生什么，怎么验证影响？
围绕“线上延迟升高时调小 HNSW 的 efSearch 会发生什么，怎么验证影响”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 efSearch 下降降低召回换取延迟、需用召回率基准验证。
核心关键词efSearch 召回率 延迟 调参 - 0530
如何估算 HNSW 索引的内存占用，为什么它比原始向量本身大？
围绕“如何估算 HNSW 索引的内存占用，为什么它比原始向量本身大”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确图邻接表每层连接带来的额外开销与 M 的关系。
核心关键词HNSW 内存占用 估算 图结构 - 0531
HNSW 索引的 M、efConstruction、efSearch 三个参数分别控制什么？
围绕“HNSW 索引的 M、efConstruction、efSearch 三个参数分别控制什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确图连接度、建索引质量、查询时搜索宽度三者的独立作用与内存/延迟权衡。
核心关键词HNSW 参数 M efConstruction efSearch - 0532
不允许停机的场景下如何平滑切换到重建后的向量索引？
围绕“不允许停机的场景下如何平滑切换到重建后的向量索引”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确新建影子索引双写或蓝绿切换、验证后切流量。
核心关键词索引热切换 蓝绿部署 向量库 - 0533
稀疏检索（BM25）和稠密向量检索混合时，两路结果怎么融合排序？
围绕“稀疏检索（BM25）和稠密向量检索混合时，两路结果怎么融合排序”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确分数尺度不可比需 RRF 等基于排名的融合或归一化加权。
核心关键词混合检索 BM25 稠密向量 RRF 融合 - 0534
文档内容更新后只重嵌入变化的 chunk，怎么保证索引与原文一致？
围绕“文档内容更新后只重嵌入变化的 chunk，怎么保证索引与原文一致”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确需要 chunk 级版本或哈希追踪增删改、避免孤儿向量。
核心关键词增量更新 嵌入 索引一致性 chunk - 0535
向量索引应该全量离线重建还是支持在线增量插入，怎么决策？
围绕“向量索引应该全量离线重建还是支持在线增量插入，怎么决策”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确数据变更频率与索引类型（IVF 需重训聚类、HNSW 可增量）决定策略。
核心关键词向量索引 离线重建 在线插入 决策 - 0536
十万级和亿级向量分别该选暴力、IVF 还是 HNSW，判断依据是什么？
围绕“十万级和亿级向量分别该选暴力、IVF 还是 HNSW，判断依据是什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确按数据量、更新频率、延迟与内存预算选型。
核心关键词向量索引选型 数据规模 HNSW IVF 暴力 - 0537
IVF 索引的 nlist 和 nprobe 怎么选，调大 nprobe 为什么能提升召回？
围绕“IVF 索引的 nlist 和 nprobe 怎么选，调大 nprobe 为什么能提升召回”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确聚类数控制分桶粒度、nprobe 控制查询探查桶数从而线性影响召回与延迟。
核心关键词IVF nlist nprobe 召回 调参 - 0538
为什么嵌入向量入库前常做 L2 归一化，不做会有什么后果？
围绕“为什么嵌入向量入库前常做 L2 归一化，不做会有什么后果”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确归一化使点积等价于余弦、消除模长对排序的干扰。
核心关键词L2 归一化 嵌入向量 目的 - 0539
超过嵌入模型最大输入长度的文档直接截断嵌入会丢什么，怎么处理？
围绕“超过嵌入模型最大输入长度的文档直接截断嵌入会丢什么，怎么处理”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确截断丢弃尾部语义造成偏置、应切块或选长上下文模型。
核心关键词嵌入模型 输入长度 截断 长文档 - 0540
ColBERT 式逐 token 向量的 MaxSim 与单向量余弦相似度有什么本质区别？
本题考察单向量与多向量检索的本质区别。MaxSim 通过逐 token 最大相似度求和保留词级匹配，代价是存储和计算放大。文中用具体工程场景说明收益，并讨论失效边界如长文本噪声与索引压缩。
核心关键词MaxSim 多向量检索 ColBERT 晚交互 - 0541
升级嵌入模型后为什么必须重建全部向量，能否新旧向量混用？
围绕“升级嵌入模型后为什么必须重建全部向量，能否新旧向量混用”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确不同模型向量空间不可比、混用导致相似度无意义。
核心关键词升级嵌入模型 重建向量 混用 - 0542
Matryoshka 嵌入为什么可以直接截断维度使用，截断后要注意什么？
围绕“Matryoshka 嵌入为什么可以直接截断维度使用，截断后要注意什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确其训练时嵌套结构使前缀维度自含信息、截断后需重新归一化。
核心关键词Matryoshka 嵌入 维度截断 MRL - 0543
MRR 和 nDCG 分别适合评估什么样的检索场景？
围绕“MRR 和 nDCG 分别适合评估什么样的检索场景”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 MRR 只看首个相关结果位置适合单答案场景、nDCG 考虑多级相关性 graded relevance。
核心关键词MRR nDCG 检索评估 区别 - 0544
多语言知识库应该用一个多语言嵌入模型混存，还是按语言分开建库？
围绕“多语言知识库应该用一个多语言嵌入模型混存，还是按语言分开建库”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确多语言模型支持跨语言检索但同语言内精度可能不如单语模型、按业务是否需要跨语言命中决策。
核心关键词多语言嵌入 跨语言检索 分库 - 0545
对已经归一化的嵌入向量重复做 L2 归一化会有数值问题吗？
围绕“对已经归一化的嵌入向量重复做 L2 归一化会有数值问题吗”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确幂等性与浮点误差下的实际影响。
核心关键词重复归一化 嵌入向量 数值稳定性 - 0546
只归一化查询向量而不归一化文档向量，余弦检索结果会错吗？
单边归一化查询向量后，点积近似余弦的实际偏差来源是文档向量长度未消除，排序可能反转；需要双侧归一化或用文档范数显式计算，并给出适用边界。
核心关键词查询向量 归一化 文档向量 余弦 - 0547
小块嵌入检索、大块返回给生成模型的父子切块策略解决了什么矛盾？
围绕“小块嵌入检索、大块返回给生成模型的父子切块策略解决了什么矛盾”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确检索精度需要小块而生成上下文需要大块的矛盾及其映射实现。
核心关键词父子切块 小块检索 大块生成 - 0548
用 PCA 给已生成的嵌入降维会损失多少检索质量，什么时候值得做？
围绕“用 PCA 给已生成的嵌入降维会损失多少检索质量，什么时候值得做”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确线性降维对最近邻结构的保真有限、适合存储瓶颈场景且需离线验证召回。
核心关键词PCA 嵌入降维 检索质量 损失 - 0549
向量检索中前置过滤和后置过滤各有什么坑，怎么选？
围绕“向量检索中前置过滤和后置过滤各有什么坑，怎么选”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确后置过滤可能 top-k 全被滤掉返回过少结果、前置过滤依赖过滤选择性。
核心关键词前置过滤 后置过滤 向量检索 选择 - 0550
乘积量化压缩向量后为什么必须用原始向量重打分？
围绕“乘积量化压缩向量后为什么必须用原始向量重打分”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确量化距离是近似值、候选集放大后用精确距离重排恢复精度。
核心关键词乘积量化 重打分 rescore 召回