从 Schema 到 Evidence,让 Agent 的输出经得起较真

上篇我们把简历 Agent 推进到了"结构化输出 + 字段校验 + 可调 Tool"。但真实简历一扔进去,还是露了三处破绽:字段不够细、模型会编、给的建议是一句空话。

今天这篇顺着这三处破绽,把数据结构从"能跑"推进到"能较真":Schema 做业务建模、missing_fields 暴露缺失、Evidence 绑定原文,最后给出可落地的结构化建议。

一、Schema 不是字段堆砌,是业务建模

入门时用一个扁平结构:

class ResumeSummary(BaseModel):
    name: str
    summary: str
    skills: list[str]

真实简历不是三段话,它有层级。于是拆成多个模块:

class ResumeProfile(BaseModel):
    basic_info: BasicInfo
    education: list[Education]
    work_experiences: list[WorkExperience]
    projects: list[Project]
    skills: SkillSet
    summary: str
    missing_fields: list[str]

这一步的关键认知:

Schema 是把真实业务对象拆成清晰、可校验、可追踪的数据结构。

简历不再是一段文本,而是一个有层级的对象。下层每一个 BasicInfo、Education 都是独立的 Pydantic 模型,各自带自己的字段约束。模型越贴近真实业务,输出越不容易"串味"。

二、missing_fields:让 Agent 承认"我不知道"

跑起来后,Agent 返回了这样的缺失清单:

"missing_fields": [
  "basic_info.phone",
  "education.major",
  "work_experiences.title",
  "work_experiences.start_date",
  "work_experiences.end_date"
]

注意它没有硬猜手机号和专业,而是把判断不了的信息用点号路径标出来。

这很重要。很多 AI 应用的问题不是"答不出",而是"不知道还硬答"。missing_fields 的作用是:让 Agent 把无法判断的信息显式暴露出来。

暴露之后,下游就能:

• 提醒用户补充
• 走人工审核
• 降低整体置信度
• 避免拿不完整的结果去入库

三、Evidence:每个字段都能回到原文

之前的写法,字段只有值:

school: str
degree: str | None

今天升级成"值 + 出处":

class EvidenceText(BaseModel):
    value: str
    evidence: str

输出长这样:

"school": {
  "value": "北京工业大学",
  "evidence": "北京工业大学,工学硕士,2009.09-2012.06。"
}

解决的问题是:这个字段到底是不是原文里真的有?

没有 evidence,模型可能吐一个看似合理但查无此处的结论。加了 evidence,每个关键字段都能拉回原文核对。

今天立的三条铁律:

1. 没有 evidence 的关键结论,不进入最终结构。
2. evidence 必须是原文片段,不是模型的解释。
3. 找不到 evidence,就返回 null / unknown / []。

四、结构化建议:不是散文,是四条

普通 AI 容易输出这种话:

你的简历整体不错,但建议突出项目成果,强化技术亮点,增加量化指标。

有道理,但不可执行。

今天把建议压成固定结构:

class SuggestionItem(BaseModel):
    issue: str
    reason: str
    evidence: str
    rewrite: str

每条建议必须回答四件事:什么问题、为什么是问题、原文依据、怎么改。

{
  "issue": "项目描述缺少具体技术动作和成果",
  "reason": "原文只写了负责数据中台建设,无法体现具体贡献和结果",
  "evidence": "负责数据中台建设。",
  "rewrite": "负责数据中台建设,结合 Python、Spark、Flink 等技术支撑数据处理与实时计算场景。"
}

价值很清楚:建议不再是泛泛而谈,而是可展示、可追踪、可人工审核、可继续改写。

五、完整链路

今天的简历 Agent 已经跑通这条链:

原始简历文本
  ↓  Schema 结构化
  ↓  missing_fields 标记缺失
  ↓  evidence 绑定原文
  ↓  structured advice 输出建议

它不再是 输入文本 → 大模型回答,而是:

输入文本 → 结构化对象 → 证据校验 → 缺失识别 → 可落地建议

这就是 PydanticAI 的工程化价值:把"会聊天"变成"能交付"。

六、总结

好的 AI 应用,不只是能回答,而是能按结构回答、带证据回答,并给出可追踪的建议。