什么是langchain？它的核心特点是什么，有哪些应用场景
langchain的核心组件有哪些，每个组件有什么作用
langchain中的模型调用有几种方式，分别适用于什么场景
langchain中模型结构化输出有几种方式，分别是什么
什么是langchain中的智能体(Agent)，它的工作原理和执行流程是什么
Agent的静态模型和动态模型有什么应用场景
Agent使用@tool创建工具有几种方式，分别是什么
Agent工具调用出现错误的时候应该如何处理
Agent的结构化输出有几种策略
- ProviderStrategy（原生结构化）
- 适用场景：追求极致准确率和最低延迟，且明确知道模型支持（OpenAI、Anthropic、Grok 等）。
- 底层原理：利用厂商 API 底层的 JSON Mode 或 Constrained Decoding（约束解码）。模型在推理过程中，每一步 Token 的生成都受到 Grammer（语法树）的限制，绝无格式解析失败的可能。
- 注意点：原生模式通常要求
prompt中明确指示“输出 JSON”，且对temperature有一定限制（部分厂商要求温度不等于0时效果打折）。
- ToolStrategy（虚拟工具兜底）
- 适用场景：兼容市面上 99% 支持 Function Calling 的开源或闭源模型（如 Llama 3、Qwen 等），是通用性最强的策略。
- 底层原理（核心亮点）：系统在 Agent 内部注入一个名为
submit_final_output的虚拟工具。工具的parameters字段定义为你想要的 JSON Schema。模型不直接生成 JSON，而是生成调用该工具的指令（Tool Call），框架拦截这次调用，将参数中的字典提取出来作为最终结果。 - 面试加分项：这种方式的缺点是什么？—— 相比原生模式，它多了一步“生成工具调用”的逻辑，会多消耗少量 Token，且如果模型工具调用能力弱，可能输出不规范的参数值。
- Type（智能路由，最推荐）
- 用法：
response_format=MyPydanticModel。 - 自动决策逻辑：LangChain 内部会执行一个
if supports_native()判断。若模型在native_response_format列表中，走策略1；否则自动走策略2。 - 面试价值：这是工程最佳实践。它解耦了业务逻辑与底层模型，当未来更换更强模型时，无需修改代码，框架自动切换至最高效的方式。
- None（关闭结构化）
- 本质：不施加任何约束，流式或非流式返回纯文本。
- 使用提示：适用于需要 Agent 进行开放式聊天、头脑风暴，或者后续需要经过人机交互再提取字段的场景。
在实际业务落地中，Type 策略是最优雅的，兼顾了效率和兼容性。如果做高并发低延迟的 ToB 接口，我会固定使用 ProviderStrategy 并做好错误熔断；如果是本地部署的开源模型，ToolStrategy 是最稳妥的兜底方案。切记：不要为了结构化而牺牲模型本身的思考自由度，在需要 Agent 规划复杂步骤时，先设为 None，仅在最终输出答案的那一刻施加约束。