🏗️ 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 SDKPython 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)

  1. 一起梳理两个 Agent 需要的全部能力清单。
  2. 归类:哪些公用(底座做)、哪些业务(业务方做)。
  3. 定接口:底座向业务暴露哪些扩展点。
  4. 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 state

5.2 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=...)`XNone/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