一、写 config：让配置有个统一的家

config 是什么、为什么要写

之前项目里每个脚本都要重复写 load_dotenv() 再一个个 os.getenv() 去读 API Key、模型名。文件一多，同样的代码抄好几遍，换个配置要满项目搜，而且 os.getenv() 拿到的东西没有类型约束、也没有默认值。

所以我写了 app/core/config.py，用 pydantic-settings 的 BaseSettings 定义一个 Settings 类，把所有配置集中在一处：

from pydantic_settings import BaseSettings, SettingsConfigDict

class Settings(BaseSettings):
    model_config = SettingsConfigDict(env_file=".env", extra="ignore")

    DEEPSEEK_API_KEY: str
    DEEPSEEK_BASE_URL: str
    LLM_MODEL: str = "deepseek-chat"
    APP_NAME: str = "AI Intern Agent"
    DEBUG: bool = False

settings = Settings()

config 的作用：全项目只需 from app.core.config import settings 一处导入，就能拿到所有配置；每个字段有类型注解和默认值，配置项一目了然；以后改配置只改这一个文件。

踩的坑：没有显式声明 env_file

第一次写完启动服务直接报错，说 DEEPSEEK_BASE_URL 字段缺失。原因是 BaseSettings 默认不会自动读取 .env 文件，必须显式声明它去哪读：

model_config = SettingsConfigDict(env_file=".env", extra="ignore")

补上这一行后，配置才真正从 .env 加载进来。以后写配置类，第一件事就是加 model_config。

二、重构 main：从函数堆变成真正的 Web 应用

为什么要重构

原来的 main.py 里只有一个普通函数，根本不是一个能对外提供服务的 Web 应用——没有应用实例，也没有任何接口。要让项目真正跑成一个后端服务，必须重构。

重构后的变化

from fastapi import FastAPI
from app.core.config import settings
from app.schemas.common import HealthResponse

app = FastAPI()

@app.get("/health", response_model=HealthResponse)
def health():
    return HealthResponse(
        status="ok",
        service=settings.APP_NAME,
        version="0.1.0",
        app_name=settings.APP_NAME,
        debug=settings.DEBUG,
    )

重构后：

• 创建了真正的 FastAPI 应用实例 app，项目可以用 uvicorn 启动成服务。
• 有了第一个接口 GET /health，用来检查服务是否正常运行。
• 用 Pydantic 模型 HealthResponse 约定返回数据的结构（response_model），FastAPI 会自动校验响应并生成接口文档。
• 启动后访问 /health 能返回 JSON，访问 /docs 能看到自动生成的 Swagger 文档页。

项目从"一堆脚本"正式变成了"能启动、有接口、有文档"的 Web 服务。

三、Prompt 设计：给 LLM 定好规矩

为什么要设计 Prompt

同样的问题，问法不同，LLM 给的答案质量天差地别。要让模型稳定输出我们想要的结果，就得设计好 Prompt，而不是随口一问。这里的关键是把 Prompt 分成两层：

• System Prompt：设定角色和规则，整个任务里不变。
• User Prompt：每次具体的任务输入，会变化。

我为 JD 分析写了一个 System Prompt，设定"资深招聘专家"角色；又写了一个模板函数把招聘文案拼成 User Prompt：

SYSTEM_PROMPT_JD = """你是一位资深招聘专家，熟悉当前就业市场以及各类岗位的职责与技能需求。"""

def build_jd_user_prompt(jd_text: str) -> str:
    return f"""请分析下面这段文本，提取出关键信息，并且输出包含职位名称，技能要求，职责，关键词四个部分
{jd_text}
"""

跑通后，输入一段 JD，模型稳定返回了"职位名称 / 技能要求 / 职责 / 关键词"四个字段的结构化结果。

对后续项目的作用

这套 Prompt 结构是整个项目的核心地基。后面无论是把 JD 分析做成 POST 接口，还是让模型输出规范的 JSON，都建立在"System 定角色、User 传输入、模板函数负责拼装"这个模式之上。设计好 Prompt，就是给后续所有 LLM 功能打好了统一的基础。