对话式 AI Agent 的 Prompt 策略：5 阶段渐进式信息挖掘 · devcfg

0. 系列闭环（不公开源码也能跟读）

端到端链路：Vue 前端 → api/routes/chat.py → Guide 多轮 SSE → run_analysis_pipeline（解析→分析→匹配→报告）→ tools/pdf_exporter PDF。
本篇：第 14/17 篇 · Prompt 环 · Guide 对话

阶段	用户可见	代码入口	对应篇
建会话	欢迎语	POST /api/sessions	09
多轮对话	SSE 流式	chat/stream → run_guide_single_turn	06, 14
信息充分	开始分析	_run_analysis_background	05, 07
履历解析	进度 30%	run_resume_parser	12
画像/RIASEC	进度 50%	run_profile_analyzer	03, 13
职业匹配	进度 70%	run_career_matcher	02
报告	进度 90%	run_reporter	11
下载 PDF	文件	GET …/report/pdf	11, 15

	说明
读本篇前	第 06 篇子图节点名
读完本篇	把 GUIDE_STAGE_TEMPLATES 五阶段与节点一一对应
下一环	第 09 篇：SSE 多轮对话（第 15 篇）

全系列闭环索引：SERIES-LOOP.md

1. 要解决什么问题

职业规划对话如果一上来就列清单问学历、年限、技能，用户会有「被面试」的感觉；如果完全自由闲聊，又容易在信息不足时进入分析流水线，导致 ResumeParser 和 RIASEC 输出空洞。

iCan 的 guide_node（workflow.py）调用 agents/guide.py 的 run_guide_agent，用 内层 StateGraph 五节点 + 阶段 Prompt 模板 做渐进挖掘；外层 route_after_guide 再决定何时进入 resume_parser_node。前端 SSE 多轮对话则走 workflow.py 的 run_guide_chat() → agents/guide.py 的 run_guide_single_turn()，入口在 api/routes/chat.py。

---

2. 内层五节点（与代码一致）

实现里的节点名与 Prompt 阶段对应关系：

图节点	Prompt 阶段 key	作用
welcome	greeting	欢迎语、了解来意
assess_need	assess_need	判断规划/转型/技能等诉求
collect_basic_info	collect_basic_info	学历、年限、岗位、技能
dig_deeper	dig_deeper	偏好、价值观、成就来源
check_sufficiency	—	LLM + 关键词判断能否 handoff

flowchart LR
  W[welcome] --> A[assess_need]
  A --> C[collect_basic_info]
  C --> D[dig_deeper]
  D --> S[check_sufficiency]
  S -->|不足| D
  S -->|充分或 loop>=8| H[handoff END]

System Prompt（llm/prompts.py 的 GUIDE_SYSTEM_PROMPT）定义角色「小C」、对话策略（渐进挖掘、情绪识别、每次 1–2 问、200 字以内），各节点再注入 GUIDE_STAGE_TEMPLATES 里对应阶段的 user 指令。内层图由 agents/guide.py 的 create_guide_graph() 编译，run_guide_agent() 为统一入口。

---

3. 阶段模板示例

模板集中在 llm/prompts.py，节点函数只负责拼 messages 并 invoke_llm：

GUIDE_STAGE_TEMPLATES = {
    "greeting": (
        "用户刚刚开始对话。请热情地欢迎用户，简要介绍你能提供的职业规划服务，"
        "并用一个轻松的开放性问题了解用户的来意。"
    ),
    "dig_deeper": (
        "基础信息已经收集得差不多了。现在请深入挖掘以下维度：\n"
        "1. 工作偏好：独立 vs 团队？稳定 vs 挑战？\n"
        "2. 成就感来源、职业价值观、性格特点、困惑根源、期望目标\n"
        "可以结合之前收集的信息，提出有针对性的深度问题。"
    ),
}

welcome 节点典型调用（agents/guide.py）：

messages = [
    {"role": "system", "content": GUIDE_SYSTEM_PROMPT},
    {"role": "user", "content": GUIDE_STAGE_TEMPLATES["greeting"]},
]
reply = await invoke_llm(get_chat_model(), messages)  # llm/providers.py
return {"messages": [reply], "current_stage": "assess_need"}

collect_basic_info / dig_deeper 会把用户近几条发言追加到 collected_info["collected_raw"]，供后续 workflow.py 的 resume_parser_node 拼接解析。

---

4. 信息充分性：LLM 判断 + 关键词兜底

check_sufficiency（agents/guide.py）不是 Prompt 模板阶段，而是独立节点：

1. 拼接用户历史文本，用关键词表（「年」「行业」「岗位」「技能」等）做粗筛。
2. 另起一轮短对话，System 用独立助手 Prompt（非 GUIDE_SYSTEM_PROMPT），让 LLM 只回答 sufficient / insufficient。

optional_keywords = ["年", "行业", "岗位", "职位", "技能", "经验", "公司", "专业", "学历", "方向", "期望", "困惑"]
all_user_text = " ".join(msg["content"] for msg in conversation_history if msg.get("role") == "user")
found_keywords = [kw for kw in optional_keywords if kw in all_user_text]

sufficiency_prompt = (
    f"已收集信息：{collected_info}\n用户对话：{all_user_text[:1000]}\n"
    f"发现的关键词：{found_keywords}\n请只回答 'sufficient' 或 'insufficient'。"
)
is_sufficient = "sufficient" in (await invoke_llm(model, messages)).lower()

条件路由 should_continue：

• is_info_sufficient → handoff（子图 END）
• 否则 loop_count >= 8 → 强制 handoff
• 否则回到 dig_deeper

这与外层 workflow.py 的 route_after_guide 不同：外层读 needs_more_info，且 user_msg_count >= 3 也会强制进入 resume_parser_node，防止用户永远卡在 Guide。

# workflow.py — route_after_guide 节选
if not state.get("needs_more_info", True):
    return "resume_parser_node"
if user_msg_count >= 3:
    return "resume_parser_node"
return "guide_node"

信息充分后，api/routes/chat.py 调用 run_analysis_pipeline() 触发后续四 Agent，不再跑完整 Guide 子图。

---

5. 单轮模式 vs 子图模式

前端多轮聊天时，常走 run_guide_single_turn（agents/guide.py）：每次用户发一条消息，System + history + user 调 LLM，不用 welcome→… 链。充分性用关键词计数启发式（found_keywords >= 6 或 >=4 且文本 >=50 字），与子图里 LLM 判停不同：

# agents/guide.py — run_guide_single_turn 充分性判断
is_sufficient = (
    (len(found_keywords) >= 6) or
    (len(found_keywords) >= 4 and len(all_user_text) >= 50)
)
collected_info = {"collected_raw": all_user_text}

首次冷启动或 CLI 仍可 ainvoke(create_guide_graph()) 跑完整五节点。

选型依据：

模式	适用	代价
子图	首条消息、需要自动阶段推进	多次 LLM 调用
单轮	已有多轮 history 的 SSE 对话	阶段感弱，靠 System Prompt 自律

---

6. Prompt 写作要点（复盘）

1. 阶段指令放 user 消息，System 只放稳定人格与规则，方便换阶段而不改人格。
2. 禁止一次问太多：System 里写死「每次最多 1–2 个问题」。
3. 负面情绪先共情：写进 System，减少模型急于收集字段。
4. 充分性独立于生成回复：避免模型在闲聊回复里自己说「信息够了」但 state 未更新。

---

7. 踩坑

• 阶段名不一致：System Prompt 文本里写 confirm，图里实际是 check_sufficiency — 维护时以 agents/guide.py 节点为准。
• loop 双计数：子图 should_continue 用 len(messages) 作 loop_count（上限 8）；外层 route_after_guide 用 user_msg_count >= 3。测试时要分别打日志。
• light model 未用于 Guide：Guide 全程 get_chat_model()（llm/providers.py），别在文档里写成 light model。
• 单轮 vs 子图判停标准不同：SSE 路径用关键词启发式，子图用 LLM sufficient/insufficient；同一用户可能在两种模式下「充分性」结论不一致。
• collected_raw 拼接方式：collect_basic_info / dig_deeper 只取近 3 条 user 消息追加，超长历史可能丢早期关键信息——依赖 conversation_history 全量在 Parser 阶段补回。

---

8. 小结

Guide 的 Prompt 策略 = GUIDE_SYSTEM_PROMPT 定调 + 分阶段模板 + check_sufficiency 结构化判停 + should_continue 防死循环。

下一篇：Docker 部署踩坑 — PyTorch CPU、中文字体与前端构建。

---

附录：关键源码（逐行注释）

以下代码摘自 iCan 实现，每行上方均有中文注释，不公开仓库也可跟读。
生成命令：python3 bin/build-ican-annotated-snippets.py

GUIDE_SYSTEM_PROMPT 等（节选）

# ========== GUIDE_SYSTEM_PROMPT 等（节选） ==========
# 源文件: llm/prompts.py  行 1-80

# L2: 【文档】文件说明：Prompt 模板集中管理模块
# L3: 【文档】业务说明：集中管理 iCan 项目所有 Agent 的 Prompt 模板，包括：
# L4: 【文档】- GuideAgent（对话引导）：多阶段对话策略，渐进式挖掘用户信息
# L5: 【文档】- ResumeParserAgent（履历解析）：从用户文本中提取结构化信息
# L6: 【文档】- ProfileAnalyzerAgent（个人分析）：基于履历进行五维度深度分析
# L7: 【文档】- CareerMatcherAgent（职业匹配）：基于个人画像进行三级职业匹配
# L8: 【文档】- ReporterAgent（报告输出）：将分析结果整合为结构化报告文本
# L9: 【文档】所有 Prompt 遵循 PRD 第九章 Prompt 设计要点：角色设定、任务描述、
# L10: 【文档】输出格式、约束条件、示例引导。
# L11: 【文档】数据流向：本模块被各 Agent 导入使用 -> 填充变量 -> 发送给 LLM
# （L1-12 为函数/模块文档字符串，已转为注释便于阅读）

# L14: ==========================================================================
# L15: GuideAgent 对话引导 Prompt
# L16: ==========================================================================

# L18: 赋值：更新局部变量或 state 字段
GUIDE_SYSTEM_PROMPT = """你是一位拥有20年经验的高级职业规划师，名叫"小C"。你同时具备心理咨询师和职业顾问的双重素养，擅长通过自然对话深入了解一个人的职业发展需求。

# L20: 你的核心能力
# L21: 执行该语句（细节见上文业务描述）
1. **职业规划专业能力**：精通各行业职业发展路径、市场趋势、岗位要求
# L22: 执行该语句（细节见上文业务描述）
2. **心理咨询能力**：善于倾听、共情，能识别用户的情绪状态和深层需求
# L23: 执行该语句（细节见上文业务描述）
3. **信息挖掘能力**：通过渐进式提问，系统性地收集用户的关键信息
# L24: 执行该语句（细节见上文业务描述）
4. **分析判断能力**：基于收集的信息，快速形成对用户的初步画像

# L26: 对话策略
# L27: 执行该语句（细节见上文业务描述）
- **渐进式挖掘**：从开放式问题开始，逐步聚焦到具体细节，避免一上来就问太多结构化问题
# L28: 执行该语句（细节见上文业务描述）
- **情绪识别**：关注用户的情绪变化，适时给予鼓励和认可，建立信任感
# L29: 执行该语句（细节见上文业务描述）
- **灵活应对**：根据用户的回答灵活调整对话方向，不要机械地按照固定流程走
# L30: 执行该语句（细节见上文业务描述）
- **信息补全**：在自然对话中巧妙地引导用户提供缺失的关键信息
# L31: 执行该语句（细节见上文业务描述）
- **总结确认**：在关键节点主动总结已收集的信息，确保理解准确

# L33: 对话阶段
# L34: 执行该语句（细节见上文业务描述）
你会根据对话进展自动判断当前所处的阶段：
# L35: 执行该语句（细节见上文业务描述）
1. **greeting（开场问候）**：热情欢迎用户，简要介绍服务，了解用户的基本来意
# L36: 执行该语句（细节见上文业务描述）
2. **assess_need（需求评估）**：判断用户的核心需求是职业规划、转型咨询还是简历优化等
# L37: 执行该语句（细节见上文业务描述）
3. **collect_basic_info（基础信息收集）**：了解用户的教育背景、工作年限、当前岗位等基础信息
# L38: 执行该语句（细节见上文业务描述）
4. **dig_deeper（深度挖掘）**：深入了解用户的核心技能、职业成就、工作偏好、价值观等
# L39: 执行该语句（细节见上文业务描述）
5. **confirm（确认总结）**：总结所有收集到的信息，与用户确认后准备生成分析报告

# L41: 重要规则
# L42: 执行该语句（细节见上文业务描述）
- 始终使用中文回复
# L43: 执行该语句（细节见上文业务描述）
- 语气亲切专业，像一位经验丰富的朋友
# L44: 执行该语句（细节见上文业务描述）
- 每次回复控制在200字以内，保持对话节奏
# L45: 执行该语句（细节见上文业务描述）
- 不要一次性问太多问题，每次最多提1-2个问题
# L46: 执行该语句（细节见上文业务描述）
- 如果用户回答模糊，可以用具体场景来引导
# L47: 执行该语句（细节见上文业务描述）
- 如果用户表达了负面情绪，先给予情感支持再继续引导
# L48: 执行该语句（细节见上文业务描述）
- 当收集到足够信息后，主动提议进入分析阶段
# L51: 【文档】GUIDE_STAGE_TEMPLATES = {
# L52: 【文档】"greeting": (
# L53: 【文档】"用户刚刚开始对话。请热情地欢迎用户，简要介绍你能提供的职业规划服务，"
# L54: 【文档】"并用一个轻松的开放性问题了解用户的来意。\n\n"
# L55: 【文档】"示例开场白：你好！我是小C，你的专属职业规划顾问。我拥有20年的职业规划经验，"
# L56: 【文档】"帮助过上千位职场人找到自己的方向。今天想聊聊什么？是遇到了职业瓶颈，"
# L57: 【文档】"还是在考虑新的发展方向？"
# L58: 【文档】),
# L59: 【文档】"assess_need": (
# L60: 【文档】"用户已经开始了对话。请通过1-2个精准的问题，判断用户的核心需求类别：\n"
# L61: 【文档】"- 职业规划：需要明确职业方向或制定发展计划\n"
# L62: 【文档】"- 职业转型：想转换行业或岗位\n"
# L63: 【文档】"- 简历优化：需要优化求职材料\n"
# L64: 【文档】"- 技能提升：想了解需要补充哪些能力\n"
# L65: 【文档】"- 职场困惑：遇到具体的工作困境\n\n"
# L66: 【文档】"根据用户的回答，自然地引导对话深入。不要直接问'你需要什么服务'，"
# L67: 【文档】"而是通过对话内容来推断。"
# L68: 【文档】),
# L69: 【文档】"collect_basic_info": (
# L70: 【文档】"已经了解了用户的基本需求。现在请在自然对话中收集以下基础信息（不要一次性全问）：\n"
# L71: 【文档】"1. 教育背景（学历、专业、毕业院校）\n"
# L72: 【文档】"2. 工作年限和行业经验\n"
# L73: 【文档】"3. 当前/最近的岗位和职责\n"
# L74: 【文档】"4. 核心技能和技术栈\n"
# L75: 【文档】"5. 重要的职业成就或项目经历\n\n"
# L76: 【文档】"注意：要像聊天一样自然地获取这些信息，而不是像面试一样逐条询问。"
# L77: 【文档】"可以先从用户最愿意谈论的话题切入。"
# L78: 【文档】),
# L79: 【文档】"dig_deeper": (
# L80: 【文档】"基础信息已经收集得差不多了。现在请深入挖掘以下维度：\n"

welcome 节点

# ========== welcome 节点 ==========
# 源文件: agents/guide.py  行 21-66

# L21: 异步函数 welcome：可被 await，适合 IO 型 LLM/DB 调用
async def welcome(state: GuideState) -> dict:
# L23: 【文档】欢迎节点：生成欢迎语和初始引导。
# L25: 【文档】功能描述：
# L26: 【文档】根据系统 Prompt 中的 greeting 阶段模板，调用 LLM 生成
# L27: 【文档】热情的欢迎语和开放性引导问题，开启与用户的对话。
# L29: 【文档】入参说明：
# L30: 【文档】state (GuideState): 对话引导状态对象，包含对话历史、当前阶段等信息。
# L32: 【文档】出参说明：
# L33: 【文档】dict: 状态更新字典，包含 messages 更新和 current_stage 更新。
# （L22-34 为函数/模块文档字符串，已转为注释便于阅读）
# L35: 开始 try 块，后续 except 负责兜底
    try:
# L36: 记录日志，便于线上排查节点入参/出参
        logger.info("[welcome] 开始执行，入参: state=%s", {k: str(v)[:100] for k, v in state.items()})
# L37: 多轮对话列表，元素为 {role, content}
        conversation_history = state.get("conversation_history", [])
# L38: 赋值：更新局部变量或 state 字段
        stage_template = GUIDE_STAGE_TEMPLATES.get("greeting", "")

# L40: 赋值：更新局部变量或 state 字段
        messages = [
# L41: 执行该语句（细节见上文业务描述）
            {"role": "system", "content": GUIDE_SYSTEM_PROMPT},
# L42: 执行该语句（细节见上文业务描述）
            {"role": "user", "content": stage_template},
# L43: 执行该语句（细节见上文业务描述）
        ]
# L44: 如果有历史对话，附加到消息列表
# L45: 多轮对话列表，元素为 {role, content}
        for msg in conversation_history:
# L46: 执行该语句（细节见上文业务描述）
            messages.append(msg)

# L48: 记录日志，便于线上排查节点入参/出参
        logger.info("[welcome] 调用 LLM 生成欢迎语，消息数量: %d", len(messages))
# L49: 获取对话大模型实例（配置来自 settings.LLM_MODEL_CHAT）
        model = get_chat_model()
# L50: 调用 LLM 返回纯文本，带 60s 超时与 Qwen3 /no_think 注入
        reply = await invoke_llm(model, messages)

# L52: 记录日志，便于线上排查节点入参/出参
        logger.info("[welcome] LLM 回复长度: %d", len(reply) if reply else 0)
# L53: 赋值：更新局部变量或 state 字段
        result = {
# L54: 执行该语句（细节见上文业务描述）
            "messages": [reply],
# L55: 执行该语句（细节见上文业务描述）
            "current_stage": "assess_need",
# L56: 执行该语句（细节见上文业务描述）
        }
# L57: 记录日志，便于线上排查节点入参/出参
        logger.info("[welcome] 执行完成，出参: current_stage=assess_need, 回复长度=%d", len(reply) if reply else 0)
# L58: 返回本节点要合并进 state 的字段（LangGraph 会 merge）
        return result

# L60: 捕获异常，避免整图/整请求崩溃
    except Exception as e:
# L61: 记录日志，便于线上排查节点入参/出参
        logger.error("[welcome] 欢迎节点执行异常: %s", e, exc_info=True)
# L62: 返回本节点要合并进 state 的字段（LangGraph 会 merge）
        return {
# L63: 执行该语句（细节见上文业务描述）
            "messages": ["你好！我是小C，你的专属职业规划顾问。今天想聊聊什么？"],
# L64: 执行该语句（细节见上文业务描述）
            "current_stage": "assess_need",
# L65: 执行该语句（细节见上文业务描述）
        }

check_sufficiency 节点

# ========== check_sufficiency 节点 ==========
# 源文件: agents/guide.py  行 251-334

# L251: 异步函数 check_sufficiency：可被 await，适合 IO 型 LLM/DB 调用
async def check_sufficiency(state: GuideState) -> dict:
# L253: 【文档】信息充分性检查节点：判断是否收集到足够信息。
# L255: 【文档】功能描述：
# L256: 【文档】综合评估已收集的用户信息，判断是否足够进行下一步的
# L257: 【文档】履历解析和个人画像分析。检查关键字段是否齐全，
# L258: 【文档】并设置 is_info_sufficient 标志。
# L260: 【文档】入参说明：
# L261: 【文档】state (GuideState): 对话引导状态对象，包含已收集信息和缺失字段。
# L263: 【文档】出参说明：
# L264: 【文档】dict: 状态更新字典，设置 is_info_sufficient 和 missing_fields。
# （L252-265 为函数/模块文档字符串，已转为注释便于阅读）
# L266: 开始 try 块，后续 except 负责兜底
    try:
# L267: 记录日志，便于线上排查节点入参/出参
        logger.info("[check_sufficiency] 开始执行，入参: state=%s", {k: str(v)[:100] for k, v in state.items()})
# L268: 赋值：更新局部变量或 state 字段
        collected_info = state.get("collected_info", {})
# L269: 多轮对话列表，元素为 {role, content}
        conversation_history = state.get("conversation_history", [])

# L271: 定义关键信息字段
# L272: 赋值：更新局部变量或 state 字段
        required_keys = ["collected_raw"]
# L273: 赋值：更新局部变量或 state 字段
        optional_keywords = [
# L274: 执行该语句（细节见上文业务描述）
            "年", "行业", "岗位", "职位", "技能", "经验",
# L275: 执行该语句（细节见上文业务描述）
            "公司", "专业", "学历", "方向", "期望", "困惑",
# L276: 执行该语句（细节见上文业务描述）
        ]

# L278: 检查对话历史中是否包含关键信息
# L279: 赋值：更新局部变量或 state 字段
        all_user_text = " ".join(
# L280: 多轮对话列表，元素为 {role, content}
            msg.get("content", "") for msg in conversation_history if msg.get("role") == "user"
# L281: 执行该语句（细节见上文业务描述）
        )
# L282: 赋值：更新局部变量或 state 字段
        found_keywords = [kw for kw in optional_keywords if kw in all_user_text]

# L284: 使用 LLM 做更精确的充分性判断
# L285: 赋值：更新局部变量或 state 字段
        sufficiency_prompt = (
# L286: 执行该语句（细节见上文业务描述）
            f"基于以下已收集的用户信息和对话内容，判断是否已经收集到足够的信息来进行职业分析。\n"
# L287: 执行该语句（细节见上文业务描述）
            f"已收集信息：{collected_info}\n"
# L288: 执行该语句（细节见上文业务描述）
            f"用户对话文本：{all_user_text[:1000]}\n"
# L289: 执行该语句（细节见上文业务描述）
            f"发现的关键词：{found_keywords}\n\n"
# L290: 执行该语句（细节见上文业务描述）
            f"请只回答 'sufficient' 或 'insufficient'，并简要说明理由。"
# L291: 执行该语句（细节见上文业务描述）
        )

# L293: 赋值：更新局部变量或 state 字段
        messages = [
# L294: 执行该语句（细节见上文业务描述）
            {"role": "system", "content": "你是一个信息完整性评估助手，只根据给定的信息判断是否足够。"},
# L295: 执行该语句（细节见上文业务描述）
            {"role": "user", "content": sufficiency_prompt},
# L296: 执行该语句（细节见上文业务描述）
        ]

# L298: 记录日志，便于线上排查节点入参/出参
        logger.info("[check_sufficiency] 调用 LLM 进行信息充分性检查")
# L299: 获取对话大模型实例（配置来自 settings.LLM_MODEL_CHAT）
        model = get_chat_model()
# L300: 调用 LLM 返回纯文本，带 60s 超时与 Qwen3 /no_think 注入
        reply = await invoke_llm(model, messages)

# L302: 赋值：更新局部变量或 state 字段
        is_sufficient = "sufficient" in reply.lower()
# L303: 赋值：更新局部变量或 state 字段
        missing = []
# L304: 条件分支
        if not is_sufficient:
# L305: 计算缺失的信息维度
# L306: 条件分支
            if not any(kw in all_user_text for kw in ["年", "经验"]):
# L307: 执行该语句（细节见上文业务描述）
                missing.append("工作年限/经验")
# L308: 条件分支
            if not any(kw in all_user_text for kw in ["行业", "公司"]):
# L309: 执行该语句（细节见上文业务描述）
                missing.append("行业信息")
# L310: 条件分支
            if not any(kw in all_user_text for kw in ["岗位", "职位"]):
# L311: 执行该语句（细节见上文业务描述）
                missing.append("当前岗位")
# L312: 条件分支
            if not any(kw in all_user_text for kw in ["技能", "技术"]):
# L313: 执行该语句（细节见上文业务描述）
                missing.append("核心技能")

# L315: 记录日志，便于线上排查节点入参/出参
        logger.info(
# L316: 赋值：更新局部变量或 state 字段
            "[check_sufficiency] 充分性检查结果: is_sufficient=%s, 缺失字段=%s, LLM回复长度=%d",
# L317: 执行该语句（细节见上文业务描述）
            is_sufficient, missing, len(reply) if reply else 0,
# L318: 执行该语句（细节见上文业务描述）
        )

# L320: 赋值：更新局部变量或 state 字段
        result = {
# L321: Guide 判定用户信息是否足够进入分析阶段
            "is_info_sufficient": is_sufficient,
# L322: 执行该语句（细节见上文业务描述）
            "missing_fields": missing,
# L323: 执行该语句（细节见上文业务描述）
        }
# L324: Guide 判定用户信息是否足够进入分析阶段
        logger.info("[check_sufficiency] 执行完成，出参: is_info_sufficient=%s, missing_fields=%s", is_sufficient, missing)
# L325: 返回本节点要合并进 state 的字段（LangGraph 会 merge）
        return result

# L327: 捕获异常，避免整图/整请求崩溃
    except Exception as e:
# L328: 记录日志，便于线上排查节点入参/出参
        logger.error("[check_sufficiency] 信息充分性检查节点执行异常: %s", e, exc_info=True)
# L329: 异常时默认信息不足，继续对话
# L330: 返回本节点要合并进 state 的字段（LangGraph 会 merge）
        return {
# L331: Guide 判定用户信息是否足够进入分析阶段
            "is_info_sufficient": False,
# L332: 执行该语句（细节见上文业务描述）
            "missing_fields": ["检查过程异常，需要重新评估"],
# L333: 执行该语句（细节见上文业务描述）
        }

系列导航

篇	主题
1	系统全景
2	五 Agent 协作
3	霍兰德 RIASEC
4–7	状态 · 路由 · 嵌套 · 容错
8–11	LLM 层 · SSE/WS · DB 迁移 · PDF
12–14	JSON Prompt · RIASEC Prompt · 14 Guide Prompt（本篇）
15–17	Docker · 中间件 · 配置

---

← 返回 iCan 专题