模拟面试智能体端到端联调收官,十一块功能模块合成可用系统
历时十二篇开发实践,模拟面试智能体完成端到端联调。重点解决字段命名、SSE协议格式与业务纪律三类跨模块断点,通过契约层校验与离线测试确保前后端协同可靠。
模拟面试智能体项目历经十二篇技术迭代,终于在第十二篇实现端到端联调收官。此前十一篇已分别完成服务端逻辑、人设管理、状态机控制、题库检索、追问机制、逐题点评、报告生成与护栏校验,以及鸿蒙侧的聊天页、配置页与报告页开发,各模块单元测试均通过。但开发者明确指出:单模块“能跑”不等于整体“能用”,真正的挑战在于模块间接口约定的稳定性与一致性。
项目最终聚焦于三类关键断点的验证与加固:字段断点、格式断点与纪律断点。字段断点指请求体与响应体中字段名必须严格一致——例如鸿蒙端发送的 resume_context 字段,后端模型若定义为 resumeContext,将导致前端解析为 undefined 且无报错;格式断点涉及 SSE 流式协议细节,如每行必须以 data: 开头、以 [DONE] 结尾,任意空行或换行缺失都会使界面卡在“面试官思考中”;纪律断点则关乎业务规则的贯穿执行,包括密钥不得进入请求体、报告不得包含题库答案、等级与推荐结论必须依据分数实时重算等。
为系统性解决上述问题,第十二篇构建了一套离线端到端测试框架,基于 Python FastAPI 的 TestClient 实现全链路模拟,无需启动真实服务、不依赖网络或 API Key。该框架整合四个核心接口:/health 用于服务基座自检;/chat/stream 接收鸿蒙端请求并流式返回增量;/report/latest 输出结构化报告 JSON;/session/reset 支持会话状态重置。整个测试工程仅含五份源码文件:rubric.py(复用第8篇的评分阈值与模型)、contract.py(前后端契约定义)、session.py(会话编排)、guardrails.py(出口护栏)与 app.py(接口层),无任何重复业务逻辑实现,纯粹做模块衔接与校验。
其中,contract.py 成为整套联调的心脏。它将报告结构显式定义为 Pydantic 模型,并提取关键字段名作为常量集合:REPORT_KEYS、EVALUATION_KEYS 与 REVIEW_KEYS。这些常量不仅用于后端序列化,更被纳入自动化校验流程——一个名为 verify-contract.cjs 的脚本会读取鸿蒙端 ReportModels.ets 中的 interface 定义,通过正则抽取字段名,与 contract.py 中的常量逐项比对;同时结合实际 demo 输出的 JSON 键集合进行三方交叉验证。一旦出现不一致,校验立即失败,从而在编码阶段就拦截潜在的跨语言字段错位问题。
这一契约机制直接支撑了第十一章中“报告上手机”的实现。此前,后端虽已能生成结构化总评报告(含总分、等级、亮点、短板、建议等),但仅限于文本或 Markdown 形式导出,无法在鸿蒙 App 内直接呈现。开发者放弃“拉取 Markdown 渲染”的捷径方案,转而确立新约定:后端输出纯结构化 JSON,前端自主负责排版与适配。此举避免了序列化-反序列化的冗余转换,也保障了端上可动态按分数重算等级、按屏幕宽度调整布局、按字数折叠长文本等关键能力。
报告模块在鸿蒙侧拆解为四层职责:数据契约(ReportModels.ets)、护栏前移(ReportParser.ets)、信息架构(ReportLayout.ets)与页面渲染(Index.ets)。其中,ReportParser.ets 作为纯函数模块,承担字段兜底、分数钳制与等级重算任务;ReportLayout.ets 则封装响应式断点、内边距、字号缩放与文本折叠规则。所有非设备依赖逻辑均可在 Node 环境预跑验证,真机仅需测试系统 API 调用与实际布局手感。
联调验证结果表明,整套系统在离线环境下通过 23 条 pytest 用例,覆盖契约、端到端与护栏三组场景;跨语言字段比对共校验 57 条规则;demo 报告生成实测得分为 71 / 88 / 72 / 54 分,符合预设阈值逻辑。整个测试链路由 TestClient 驱动,全程离线运行,模型调用由网络层收发行为确定性替代,服务端表现以实际环境为准,真机端则以实测为准。
该项目揭示了一个在复杂智能体开发中普遍却被低估的现实:模块化开发的终点不是“各自跑通”,而是“无缝拼合”。当 AI 应用从单点功能走向完整工作流,接口契约的显式化、校验的自动化与测试的离线化,成为系统可靠性的三大支柱。尤其在跨端(如鸿蒙+Python)、多模态(文本+SSE流+结构化JSON)场景下,依赖人工记忆字段名或协议细节极易引入隐蔽缺陷。此次联调所建立的 contract.py + verify-contract.cjs + TestClient 三位一体机制,为后续类似智能体项目的集成阶段提供了可复用的方法论模板。
值得注意的是,该项目并未采用通用大模型 SDK 或低代码平台,而是从零构建服务端逻辑与端侧交互,强调对数据流、状态流与规则流的精细控制。这种“手写智能体”的路径虽耗时较长,但在对输出准确性、合规性与可解释性要求较高的垂直场景(如招聘面试辅助)中,反而更具可控优势。
随着端到端联调完成,模拟面试智能体已具备完整闭环能力:候选人可在鸿蒙设备发起面试,系统动态生成题目、实时追问、逐题反馈,并在结束后即时呈现结构化报告,全程无需人工介入。下一步将进入真实场景灰度验证阶段,重点观察用户交互路径中的异常分支处理与边缘 case 覆盖情况。
