🏗️ 平台化分工协作:底座与业务分层
说明
面试被追问「你和一个同事分工干 Agent,怎么划分?你交付给他什么?他怎么做?」的标准打法。结论:不是流水线、也不是各干各的,而是平台化分层分工——你建「可插拔能力底座」,同事当「业务方」在自己业务子图上盖房子。底部附一套相对完整的 Pydantic v2 代码 demo。
1. 先答「你们是哪种分工」
面试官通常先抛一个二选一:
- 垂直分工(端到端):你我各做一个完整的 Agent,互不交叉。
- 流水线/横切分工:一条工作流 1234,你做 1-2,他做 3-4,中间对接。
关键区分
你们实际是「平台型分工」(第三种,面试官想听的就是这个)——你建平台,他在平台上盖房子。既不是纯流水线,也不是各干各的。要先把这个定性说清楚,别含糊。
一句话定性
“我们用的是平台化分层分工:我负责与业务无关的『底座能力』,同事在我提供的 SDK/扩展接口上实现各自的业务节点,通过注册机制挂载,两边靠接口契约松耦合协作。“
2. 分工边界(谁能说清谁的)
| 层 | 谁负责 | 包含什么 | 是否带业务 |
|---|---|---|---|
| 业务应用层 | 同事 | 资质审核 Agent / 电商客服 Agent / 其他业务 Agent | ❌ 全部是业务 |
| 业务扩展层 | 同事 | 业务节点、业务 Prompt、业务 Pydantic Schema、业务降级策略 | ✅ 只放业务 |
| 底座能力层 | 你 | LangGraph 主流程编排、全局 State、意图路由、公共工具(RAG/LLM/OCR/PDF)、Checkpointer、日志链路、分级降级熔断 | ❌ 不掺业务 |
| 基础设施层 | 共管 | Redis / PG / 向量库 / 对象存储 | — |
底座的铁律
底座不写死业务:不允许在底座代码里出现「资质审核」「客服」这类业务逻辑/提示词/校验。底座只做通用基础能力,并留好子图扩展入口。这是「底座做厚、业务做薄」的落点。
3. 交付物(别再说「一套平台的功底和能力」——不可验收)
面试官最会抓的就是「你交付了什么给他」。标准答案:
| 交付物 | 形式 | 验收标准 |
|---|---|---|
| 接口文档 | OpenAPI / Markdown | 每个扩展点有定义和示例 |
| 平台 SDK | Python 包(pip install platform-sdk) | 同事 from platform import * 即可用 |
| 本地开发环境 | Docker Compose 一键起 | 同事本地能跑通全链路 |
| 单元测试 | pytest | 底座接口覆盖 >80% |
| 示例业务 | 一个「Hello World」Agent | 同事照着改就能出自己 Agent |
| 联调工具 | CLI / Web 调试面板 | 同事能独立调试自己的业务节点 |
一句话记忆
“我交付的是SDK + 接口文档 + 本地环境 + 示例代码,不是原始数据、也不是半成品代码。他
pip install引入底座,注册自己的节点后独立部署上线。“
4. 协作 SOP(需求/开发/变更三阶段)
需求阶段(一次性对齐)
- 一起梳理两个 Agent 需要的全部能力清单。
- 归类:哪些公用(底座做)、哪些业务(业务方做)。
- 定接口:底座向业务暴露哪些扩展点。
- 排期:底座先做基建,业务方同时写业务逻辑(不互相阻塞)。
开发阶段(持续)
- 底座侧:实现通用能力 → 预留扩展点 → 写单测 → 给示例。
- 业务侧:基于 SDK 开发 → 本地 Mock 验证 → 与底座联调。
变更流程(面试加分,体现工程化)
- 同事需要新能力 → 提需求单(要什么/为什么/期望时间)→ 底座评估排期 → 升 SDK 版本 → 无感接入。
- 底座要改影响业务 → 必须向后兼容;破坏性变更提前通知 + 迁移指南 + Deprecation Warning 缓冲期。
5. 💻 相对完整的代码 demo(Pydantic v2)
一套「底座 + 业务方」能在本地跑通的骨架。全程用 Pydantic v2 语法(
BaseModel/Field/field_validator/model_validator/model_dump/model_validate,不用 v1 的.dict()/parse_obj()/validators)。
5.1 底座侧:定义扩展点 + 全局 State(你负责)
# ============ 底座:platform/core.py(你负责,不含业务) ============
from __future__ import annotations
import logging
from abc import ABC, abstractmethod
from typing import Any, Protocol, runtime_checkable
from pydantic import BaseModel, ConfigDict
# ---------- 1. 全局 State(底座定义,业务方只读写约定字段) ----------
class AgentState(BaseModel):
model_config = ConfigDict(extra="forbid") # Pydantic v2:禁止未知字段,提早暴露拼写错误
# 会话/任务层
session_id: str
task_id: str
intent: str = ""
current_agent: str = ""
# 业务数据(由业务子图写入)
extracted: dict[str, Any] = {} # 结构化抽取结果
review_status: str = "" # pending / pass / reject / manual
confidence: float = 0.0 # 置信度,用于降级决策
error_log: list[str] = [] # 节点失败记录
# Pydantic v2 CRUD
# model_config / Field 均可;序列化用 model_dump()
def snapshot(self) -> dict[str, Any]:
return self.model_dump()
@classmethod
def restore(cls, data: dict[str, Any]) -> "AgentState":
return cls.model_validate(data) # v2 的校验入口(v1 是 parse_obj)
# ---------- 2. 业务节点扩展点(业务方必须实现) ----------
@runtime_checkable
class BusinessNode(Protocol):
"""业务节点接口:业务方实现具体逻辑"""
def execute(self, state: dict[str, Any]) -> dict[str, Any]:
"""入参是 state 快照(dict),返回要 merge 回 state 的字段(dict)"""
...
# ---------- 3. 公共能力(底座提供,业务方复用) ----------
class BaseLLM:
def call(self, prompt: str, *, schema: type[BaseModel] | None = None) -> Any:
"""统一 LLM 调用:重试 / 限流 / 结构化输出(传 schema 走 Pydantic 校验)"""
raw = self._invoke(prompt) # 假实现,真实接 API
if schema is not None:
return schema.model_validate(raw) # v2:校验失败抛 ValidationError
return raw
def _invoke(self, prompt: str) -> Any:
raise NotImplementedError("接入你的大模型 API")
class BaseOCR:
def extract(self, file_url: str) -> str:
raise NotImplementedError("接入 OCR 服务")
# ---------- 4. 底座装配器:注册业务节点,拼装业务子图 ----------
class AgentPlatform:
def __init__(self, logger: logging.Logger | None = None) -> None:
self._nodes: dict[str, BusinessNode] = {}
self.llm = BaseLLM()
self.ocr = BaseOCR()
self.logger = logger or logging.getLogger("platform")
def register_node(self, node_name: str, node: BusinessNode) -> "AgentPlatform":
"""业务方注册自己的节点"""
self._nodes[node_name] = node
self.logger.info("register_node: %s", node_name)
return self
def run(self, state: AgentState) -> AgentState:
"""按注册顺序执行业务节点,每步打日志 + 落 checkpoint(演示)"""
for name, node in self._nodes.items():
self.logger.info("[%s] IN %s", name, state.snapshot())
patch = node.execute(state.snapshot()) # 业务方节点消费 dict
state = state.model_copy(update=patch) # v2:按字段更新并重建
self.logger.info("[%s] OUT %s", name, state.snapshot())
# TODO: 在这里把 state.snapshot() 交给 LangGraph Checkpointer 持久化
return state5.2 业务方:定义 Pydantic v2 Schema + 实现业务节点
# ============ 业务方:merchant_audit/schema.py(同事负责) ============
from typing import Literal
from pydantic import BaseModel, Field, field_validator, model_validator
# ---------- 业务专属 Schema:营业执照信息抽取结果 ----------
class LicenseInfo(BaseModel):
company_name: str
unified_code: str = Field(..., min_length=18, max_length=18,
description="统一社会信用代码:18位")
legal_person: str
business_scope: str
# Pydantic v2 : field_validator(v1 是 @validator)
@field_validator("unified_code")
@classmethod
def _code_alnum(cls, v: str) -> str:
if not v.isalnum():
raise ValueError(f"统一信用代码必须为字母数字:{v}")
return v.upper()
# 全局约束校验
@model_validator(mode="after") # v2 推荐写法
def _company_name_legal(self) -> "LicenseInfo":
# 审核业务规则:公司名应含企业性质后缀(示例规则)
if not any(k in self.company_name for k in ("有限公司", "股份有限公司", "公司")):
self.confidence_penalty = True # 仅示意
return self
class AuditResult(BaseModel):
status: Literal["pass", "reject", "manual"] # manual → 走降级人工
license: LicenseInfo | None = None
confidence: float = Field(default=0.0, ge=0.0, le=1.0)
reasons: list[str] = []
# ============ 业务方:节点实现(同事负责) ============
# 商家资质审核的「内部节点」链:抽取 → 校验 → 判活/降级
class ExtractLicenseNode:
"""OCR + LLM → 结构化字段(走 Pydantic v2 校验)"""
def execute(self, state: dict[str, Any]) -> dict[str, Any]:
ocr_text = state["_ocr_text"]
llm = state["_llm"] # 底座注入
license = llm.call(
f"从以下原文抽取营业执照字段:\n{ocr_text}",
schema=LicenseInfo, # 强制结构化 + 校验
)
return {"license_model": license.model_dump()} # v2: model_dump()
class ValidateLicenseNode:
"""校验 + 如需人工 → 置 status=manual(即降级)"""
def execute(self, state: dict[str, Any]) -> dict[str, Any]:
lic = LicenseInfo.model_validate(state["license_model"]) # v2 校验入口
# ...业务校验规则...
ok = all([lic.company_name, lic.unified_code, lic.legal_person])
return {
"review_status": "pass" if ok else "manual",
"confidence": 0.95 if ok else 0.3,
"extracted": lic.model_dump(),
}5.3 装配:把业务节点挂到底座上(两边解耦的落点)
# ============ 组装 main.py ============
import logging
logging.basicConfig(level=logging.INFO)
from platform.core import AgentPlatform, AgentState # 「你」交付的 SDK
from merchant_audit.nodes import ExtractLicenseNode, ValidateLicenseNode
# 同事:用自己的业务节点装配,不碰底座源码
platform = (
AgentPlatform()
.register_node("extract_license", ExtractLicenseNode())
.register_node("validate_license", ValidateLicenseNode())
)
st = AgentState(session_id="s1", task_id="t_001", intent="audit")
st = platform.run(st)
print("最终状态:", st.snapshot())
print("审核结论 :", st.review_status, "置信度:", st.confidence)5.4 demo 里的 Pydantic v2 知识点(面试可点)
| v1(旧) | v2(本项目用) | 说明 |
|---|---|---|
@validator | @field_validator | 单字段校验;@classmethod |
@root_validator(pre=True) | @model_validator(mode="before"/"after") | 整模型/多字段约束 |
.dict() | .model_dump() | 序列化为 dict |
Model.parse_obj(x) | Model.model_validate(x) | 构建+校验 |
Model(**x) 即校验 | 直接 Model(...) 也校验 | 构造即触发 validator |
class Config: ... | model_config = ConfigDict(...) | 类级配置(extra/from_attributes) |
Optional[X]/Field(default=...) | `X | None/Field(…)` |
要给面试官的一句话
“我们的结构化输出和状态校验统一用 Pydantic v2 的
field_validator+model_validator+model_dump,LLM 抽取结果强制走model_validate,校验失败即节点报错可回退,多项失败直接触发业务降级转人工。“
相关笔记
- Agent系统-项目深挖(§8 讲 Pydantic State 分层设计,与此互补)
- LangGraph线程隔离与状态持久化(后台 graph 如何按 thread_id 隔离)
- 业务降级与问题定位方法论
- 面试收集 MOC
- 多Agent协作系统面试与架构解析(AI大模型/Agent)