2026 年 4 月，OpenAI 的 Applied AI Engineer 岗位 JD 里，"Agent runtime" 和 "Tool orchestration" 出现频率已经超过"微服务"和"消息队列"1。
国内淘天、字节、小红书的 Agent 岗位面经里，LangGraph、ReAct、Tool Calling 几乎成了必问三件套2。
但很多人刷完官方教程，依然答不上来：为什么是 LangGraph 而不是 LangChain？图结构到底解决了什么问题？Harness Engineering 和框架选型有什么关系？
这不是你不够努力，而是大部分教程只讲 API，不讲设计决策。面试官问的不是你用过哪个框架，而是你能不能说清楚：为什么选这个、不选那个；图结构解决了什么问题；Harness 和框架是什么关系。
这一卷不讲 API 文档，讲的是面试官真正想听的框架理解——从原理到选型，从概念到工程边界。
问题：Agent 框架与 LangGraph 核心考点
面试官问这个问题，通常是这样开场的："你用过哪些 Agent 框架？能讲讲 LangGraph 的核心原理吗？"或者更直接一点："为什么你的项目选 LangGraph 而不是 LangChain？"
这个问题看起来是在问框架，实际上是在问三件事。第一，你有没有真正做过 Agent 系统——不是调过 API，而是处理过循环、分支、状态管理、错误恢复这些真实问题。
第二，你能不能说清楚设计决策——为什么选这个框架、不选那个框架，理由是什么，边界在哪里。
第三，你知不知道框架背后的工程逻辑——图结构解决了什么问题，状态机为什么重要，Harness 和框架是什么关系。
小红书 2026 年 4 月的招聘页面显示，AI 安全专家、业务蓝军专家、黑灰产情报分析专家等岗位都在要求 Agent 相关能力3。
这些岗位不是在招"会用 LangChain 的人"，而是在招"能设计、能落地、能排障的人"。如果你只会背框架名字，面试官一眼就能看出来。
模板答案：3 到 5 句话先讲清主线
如果面试官问"LangGraph 的核心原理是什么"，你可以这样开场：
LangGraph 是一个基于图结构和状态机的 Agent 运行时框架。它把 Agent 的执行流程抽象成有向图，节点代表计算单元，边代表状态转移，通过 StateGraph 显式管理上下文。相比 LangChain 的链式调用，LangGraph 的图结构更适合处理循环、条件分支和长时间运行的任务，配合 checkpointer 可以实现断点恢复和持久化。
这个答案覆盖了四个关键点：图结构、状态机、与 LangChain 的对比、工程特性。面试官听到这里，就知道你不是在背文档，而是在讲设计。
如果面试官追问"为什么图结构比链式调用更适合 Agent"，你可以接着说：
Agent 的核心特征是多步推理和多次行动，这天然是一个有循环和条件分支的流程。链式调用把流程压成一条线，遇到循环和分支就要用 if-else 硬写，代码很快变成意大利面。图结构把这些逻辑显式化，每个节点只做一件事，状态转移由边定义，调试时可以清楚地看到 Agent 在哪个节点、什么状态、为什么走这条路。
这回答，面试官眼睛都亮了
为什么问这个：面试官在筛什么
这个问题之所以高频，是因为它能一次性筛掉三类候选人。
第一类：只调过 API，没思考过设计。这类候选人能说出 LangGraph 有图、有状态，但追问"图结构解决了什么问题"就卡壳。他们把框架当成黑盒，用是用了，但不知道为什么用。
第二类：只会背概念，没有工程经验。这类候选人能说出"LangGraph 适合复杂任务"，但追问"你的 Agent 怎么处理工具调用失败"、"怎么防止无限循环"，就答不上来。
他们知道理论，但没在生产环境踩过坑。
第三类：跟风选型，没有决策逻辑。这类候选人选 LangGraph 是因为"网上都说好"，但说不出具体好在哪里、什么场景适合、什么场景不适合。面试官要的不是正确答案，而是决策过程。
Anthropic 的 Fellows Program 明确要求候选人理解 Agent 安全边界和长时间任务管理4。
NVIDIA 在 GTC 2026 推出的 OpenShell runtime，进一步验证了 Agent 运行时基础设施的重要性5。
这些信号都在指向同一个趋势：Agent 框架不再是"可选技能"，而是 AI 工程师的"基础素养"。
常见追问：至少准备这五个
面试官问完核心原理，通常会追着问细节。以下是五个高频追问，每个都需要准备。
追问一：LangGraph 和 LangChain 有什么区别？
这是最经典的对比题。回答时要抓住一个核心：抽象层次不同。
LangChain 是链式抽象，适合线性流程：A → B → C → D。它的优势是简单直观，缺点是处理循环和分支时要嵌套条件判断，代码可读性差，调试困难。
LangGraph 是图结构抽象，适合复杂状态管理：节点之间可以任意连接，支持循环、分支、并行。它的优势是显式化控制流，缺点是学习曲线陡峭。
更关键的是，LangGraph 提供了 checkpointer 机制，可以在任意节点保存状态，实现断点恢复。
这对于长时间运行的 Agent 非常重要——如果 Agent 跑了 30 分钟突然挂掉，你不想从头再来。
追问二：你的 Agent 怎么处理工具调用失败？
这是工程题，考察你的生产经验。回答时要覆盖四个层面：重试策略（失败后重试几次？每次重试间隔多久？
有没有指数退避？）、降级方案（如果工具一直失败，Agent 怎么办？是跳过这个工具、换一个工具，还是直接报错？
）、错误日志（失败信息有没有记录？能不能追溯？）、监控告警（工具失败率超过阈值，有没有告警？
）。
如果你能说出"我用 LangGraph 的 retry 机制配置了最多 3 次重试，每次间隔 2 秒，超过后走降级逻辑，同时把错误信息写入日志并触发告警"，面试官就知道你真的在生产环境做过。
追问三：如果 Agent 陷入无限循环怎么办？
这是边界题，考察你对异常情况的处理。
回答时要提到三个机制：最大步数限制（设置 recursion_limit 或 step_limit，超过就强制终止）、循环检测（记录 Agent 的状态序列，如果发现重复状态，触发人工介入）、人工介入（在关键节点设置 interrupt，让人类确认后再继续）。
追问四：ReAct 和 Plan-and-Execute 有什么区别？
这是推理范式题，考察你对 Agent 推理逻辑的理解。
ReAct 是"边想边做"：每一步都先推理，再行动，再根据反馈调整。适合需要频繁调整策略的任务。
Plan-and-Execute 是"先想再做"：一次性规划完所有步骤，然后按计划执行。适合任务结构清晰、不需要频繁调整的场景。
面试官可能追问："你的 Agent 用的是哪种范式？为什么？"你需要结合具体任务回答。
追问五：Harness Engineering 和框架选型有什么关系？
这是 2026 年的新热点。Harness Engineering 的核心观点是：Agent 表现不好，80% 的原因不在模型，在 Harness6。
Harness 包括上下文工程、约束与防护、评估与反馈、长时间任务管理等基础设施。框架只是 Agent 的"骨架"，Harness 才是让 Agent 稳定运行的"肌肉和神经"。
面试官问这个问题，是在看你有没有从"框架思维"升级到"系统思维"。
易错点：这些说法一开口就暴露深度不够
面试中有几类说法，一开口就暴露你对框架理解不深。
易错点一："LangGraph 就是 LangChain 的升级版"
错。它们是不同的抽象层次，不是升级关系。LangChain 可以作为 LangGraph 的工具库，两者是协作关系，不是替代关系。
正确说法："LangGraph 和 LangChain 是不同的抽象层次。LangChain 提供工具和链式调用，LangGraph 提供运行时和状态管理。
我的项目里两者都在用——LangChain 做 Tool 定义，LangGraph 做流程编排。"
易错点二："ReAct 就是让模型先思考再行动"
太浅。ReAct 的核心是推理和行动的迭代循环，不是简单的先后顺序。
每一步行动后，模型会根据反馈调整推理，然后再行动，形成 Thought → Action → Observation → Thought 的循环。
正确说法："ReAct 是一套迭代推理范式，核心是 Thought-Action-Observation 循环。
模型先推理当前状态，选择行动，执行后获取观察结果，再根据结果调整下一步推理。这个循环会持续直到任务完成或触发终止条件。"
易错点三："Tool Calling 就是调用外部 API"
不完整。Tool Calling 涉及协议设计、参数验证、错误处理、结果解析，远不止"调用 API"这么简单。
正确说法："Tool Calling 是 Agent 与外部系统交互的协议层。
它包括：工具定义（名称、描述、参数 schema）、参数验证（确保模型输出的参数符合预期）、执行调用（实际调用 API 或函数）、结果解析（把返回结果转成模型能理解的格式）、错误处理（重试、降级、告警）。
"
易错点四："框架选型看哪个 Stars 多"
危险。Stars 数量只能反映社区热度，不能反映工程适配度。选型要看团队能力、任务复杂度、工程成本。
正确说法："框架选型要看四个维度：任务复杂度（简单任务用 LangChain，复杂任务用 LangGraph）、团队能力（团队对图结构熟悉吗？
）、工程成本（学习曲线、调试难度、社区支持）、生产需求（需要断点恢复吗？需要多 Agent 协作吗？）。
"
这些坑，我都踩过
其他注意事项：面试前再检查一遍
注意事项一：不要只说优点，要说局限
面试官喜欢听你说框架的局限。比如："LangGraph 的学习曲线陡峭，团队如果不熟悉图结构和状态机，上手成本高。"这比一味夸框架好更有说服力。
注意事项二：准备一个真实项目案例
不要只讲概念，要准备一个你真正做过的项目。比如："我用 LangGraph 做过一个代码审查 Agent，它会先读取代码 diff，然后调用静态分析工具，再根据结果生成审查意见。
整个流程用图结构编排，支持断点恢复。"
注意事项三：关注 2026 年的新趋势
Harness Engineering、OpenShell runtime、多 Agent 协作，这些都是 2026 年的新热点。面试前花半小时了解一下，能让你在面试中展现前沿视野。
项目里怎么说：把框架写进简历
很多人在简历上写"使用 LangGraph 开发 Agent 系统"，但面试一问就露怯。问题在于：你只写了"用了什么"，没写"解决了什么问题"。
更好的写法是："使用 LangGraph 构建多步推理 Agent，通过图结构管理状态转移，实现工具调用的自动重试和降级，将任务完成率从 60% 提升到 85%。
"这个写法包含了：技术选型、设计决策、工程挑战、量化结果。面试官追问时，你可以展开任何一个维度。
如果你没有量化数据，可以这样写："使用 LangGraph 重构原有 LangChain Agent，将代码复杂度降低 40%，调试时间从 2 小时缩短到 30 分钟。
"关键是要有对比、有变化、有具体数字。
国聘网站上，国家电投集团数字科技有限公司 2026 年校招的暖通工程师、电气工程师岗位，虽然不是直接的 Agent 岗，但都要求候选人具备系统设计能力和工程思维7。
这说明：无论你投的是 AI 岗还是传统工程岗，"能说清楚设计决策"都是加分项。
这一卷的知识地图
这一卷会拆成五个小卷，每个小卷聚焦一个核心问题。它们之间有递进关系，也有交叉验证。
小卷 1：LangGraph 核心原理——图结构、状态机、节点与边，理解 Agent 的"操作系统"。
小卷 2：ReAct 与推理范式——Reasoning + Acting 的工程实现，从思维链到行动链。
小卷 3：Function Calling 与 Tool Use——工具调用的协议与模式，Agent 的"手"怎么长出来。
小卷 4：主流 Agent 框架横向对比——LangGraph vs LangChain vs AutoGen vs Crew，选型决策树。
小卷 5：Harness Engineering 与工程实践——从框架到生产，让 Agent 稳定运行的"基础设施"。
写在最后
Agent 框架不是"新东西"，但 2026 年它终于从论文走向了工程现场。面试官问的不是你用过哪个框架，而是你能不能说清楚：为什么选这个、不选那个；图结构解决了什么问题；
Harness 和框架是什么关系。
这一卷，帮你把这些问题的答案串成一张完整的知识地图。
接下来你会按什么顺序学习 Agent 框架？是先啃原理，还是先看对比？欢迎在评论区分享你的学习计划。
数据来源：公开社区、公司页面、公开案例或公开分享汇总整理；涉及个人经历的内容已做脱敏处理，仅供参考。
