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:

复制

class ResumeSummary(BaseModel):name: strsummary: strskills: list[str]

真实简历不是三段话,它有层级。于是拆成多个模块:

复制

class ResumeProfile(BaseModel):basic_info: BasicInfoeducation: list[Education]work_experiences: list[WorkExperience]projects: list[Project]skills: SkillSetsummary: strmissing_fields: list[str]

这一步的关键认知:

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:

复制

"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:

三、Evidence:每个字段都能回到原文

之前的写法,字段只有值:

复制

school: strdegree: str | None

今天升级成"值 出处":

复制

class EvidenceText(BaseModel):value: strevidence: str

输出长这样:

复制

"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:

四、结构化建议:不是散文,是四条

普通 AI 容易输出这种话:

有道理,但不可执行。

今天把建议压成固定结构:

复制

class SuggestionItem(BaseModel):issue: strreason: strevidence: strrewrite: 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。

复制

{"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:

复制

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:

复制

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