Rust Interview Code-First Workflow Example (Chinese)
概述
rust_interview_code_first_proper_test_zh.rs 是一个完整的示例,展示如何正确使用 Yanshi 的代码优先方法来构建工作流程。这个例子专门针对 Rust 后端面试问题的生成和评估,使用中文系统提示。
核心架构
LlmNode - LLM 集成节点
这个自定义节点展示了如何正确地将 yanshi-core 的工作流程引擎与 yanshi-llm 的模型接口集成:
#![allow(unused)]
fn main() {
pub struct LlmNode {
name: String,
model: String,
prompt_template: String,
system_template: Option<String>,
temperature: Option<f32>,
max_tokens: Option<u32>,
}
}
关键特性:
- 模板解析: 使用
SharedState::resolve_template_advanced()进行动态模板替换 - 流畅式构建器: 支持链式方法配置节点参数
- 状态管理: 通过 SharedState 在节点间共享数据
- 错误处理: 包含优雅的降级机制和模拟响应
InterviewWorkflow - 工作流程编排器
展示了如何构建完整的工作流程:
#![allow(unused)]
fn main() {
pub struct InterviewWorkflow {
shared_state: SharedState,
question_generator: LlmNode,
question_evaluator: LlmNode,
}
}
工作流程执行流程
1. 初始化阶段
#![allow(unused)]
fn main() {
let shared_state = SharedState::new();
shared_state.insert("model", Value::String("step-2-mini"));
shared_state.insert("experience_level", Value::String("3-5 years"));
}
2. 节点配置
- 问题生成节点: 创建中文 Rust 面试题
- 问题评估节点: 评估题目质量和难度适配性
3. 执行编排
工作流程展示了正确的节点依赖关系:
- 问题生成节点独立执行
- 评估节点依赖于生成节点的输出(通过模板
{{ question_generator_output }})
数据流详解 - 节点间的数据传递机制
核心机制:SharedState + 模板解析
数据从 question_generator 节点传递到 question_evaluator 节点的过程分为以下几个关键步骤:
第一步:问题生成节点存储结果 (post_async)
#![allow(unused)]
fn main() {
async fn post_async(
&self,
shared: &SharedState,
_prep_result: Value,
exec_result: Value,
) -> Result<Option<String>, yanshi_core::YanshiError> {
// 生成唯一的输出键名:节点名 + "_output"
let output_key = format!("{}_output", self.name); // "question_generator_output"
// 将 LLM 的执行结果存储到 SharedState 中
shared.insert(output_key.clone(), exec_result.clone());
println!("💾 Stored result in SharedState as: {}", output_key);
Ok(None)
}
}
关键点:
run_async方法会自动调用post_async- 结果以
{node_name}_output格式存储在 SharedState 中 - 对于
question_generator节点,键名为"question_generator_output"
第二步:问题评估节点配置模板依赖
#![allow(unused)]
fn main() {
let question_evaluator = LlmNode::new("question_evaluator", "step-2-mini")
.with_prompt("{{ question_generator_output }}") // 声明模板依赖
.with_system("你是一名资深的 Rust 后端面试官,请帮我评估以下面试题是否符合 {{ experience_level }} 级别的 Rust 后端开发标准");
}
关键点:
- 模板
{{ question_generator_output }}引用第一个节点的输出 - 模板
{{ experience_level }}引用 SharedState 中的初始配置
第三步:模板解析和数据注入 (prep_async)
#![allow(unused)]
fn main() {
async fn prep_async(&self, shared: &SharedState) -> Result<Value, yanshi_core::YanshiError> {
// SharedState 自动解析模板中的占位符
let resolved_prompt = shared.resolve_template_advanced(&self.prompt_template);
let resolved_system = self
.system_template
.as_ref()
.map(|s| shared.resolve_template_advanced(s));
// resolved_prompt 现在包含第一个节点生成的实际面试题
// resolved_system 包含解析后的系统提示
}
}
关键点:
resolve_template_advanced()查找 SharedState 中对应的值{{ question_generator_output }}被替换为实际的面试题内容{{ experience_level }}被替换为 “3-5 years”
完整的数据流时序图
1. workflow.execute() 调用
↓
2. question_generator.run_async()
├── prep_async() - 解析模板(无依赖)
├── exec_async() - 调用 LLM 生成面试题
└── post_async() - 存储结果到 SharedState["question_generator_output"]
↓
3. question_evaluator.run_async()
├── prep_async() - 解析模板:{{ question_generator_output }} → 实际面试题
├── exec_async() - 调用 LLM 评估面试题
└── post_async() - 存储结果到 SharedState["question_evaluator_output"]
↓
4. 从 SharedState 提取最终结果
run_async 方法的作用
run_async 是 Yanshi 核心的编排方法,它:
- 自动调用生命周期方法:
prep_async→exec_async→post_async - 处理模板解析: 在
prep_async中自动解析所有模板占位符 - 管理状态传递: 确保每个阶段的结果正确传递到下一阶段
- 提供错误处理: 统一的错误处理和日志记录
数据流的优势
1. 声明式依赖关系
#![allow(unused)]
fn main() {
// 无需手动传递数据,只需声明模板依赖
.with_prompt("{{ question_generator_output }}")
}
2. 类型安全的状态访问
#![allow(unused)]
fn main() {
// 运行时验证模板键是否存在
let resolved_prompt = shared.resolve_template_advanced(&self.prompt_template);
}
3. 解耦的节点设计
- 节点不需要直接引用其他节点
- 通过 SharedState 进行松耦合的数据交换
- 便于测试和重构
4. 可扩展的依赖图
#![allow(unused)]
fn main() {
// 可以轻松添加更多依赖节点
.with_prompt("基于问题: {{ question_generator_output }} 和评估: {{ question_evaluator_output }}")
}
这种设计模式使得 Yanshi 能够处理复杂的有向无环图(DAG)工作流程,同时保持代码的简洁性和可维护性。
关键技术特性
模板依赖管理
#![allow(unused)]
fn main() {
.with_prompt("{{ question_generator_output }}") // 模板依赖!
}
展示了如何在工作流程中建立节点间的数据依赖关系。
鲁棒性功能
#![allow(unused)]
fn main() {
// 超时保护
self.question_generator
.run_async_with_timeout(&self.shared_state, timeout_duration)
.await?;
// 重试机制
self.question_evaluator
.run_async_with_retries(&self.shared_state, 3, retry_wait)
.await?;
}
可观测性
#![allow(unused)]
fn main() {
println!("📊 Workflow State After Execution:");
for (key, value) in self.shared_state.iter() {
// 显示工作流程状态
}
}
使用说明
运行基本工作流程
cargo run --example rust_interview_code_first_proper_test_zh
预期输出
- Yanshi 系统初始化日志
- 问题生成节点执行状态
- 模板解析和依赖处理信息
- 问题评估节点执行状态
- 最终的面试题和质量评估结果
架构优势
1. 正确的关注点分离
yanshi-core: 工作流程编排和状态管理yanshi-llm: LLM 提供商抽象和 API 调用- 自定义节点: 业务逻辑和集成桥梁
2. 模板驱动的依赖管理
- 声明式的节点依赖关系
- 自动的状态解析和注入
- 类型安全的状态访问
3. 生产就绪的特性
- 错误处理和优雅降级
- 超时和重试机制
- 详细的日志和可观测性
- 模拟响应支持开发和测试
最佳实践示例
1. 节点设计模式
#![allow(unused)]
fn main() {
impl LlmNode {
pub fn new(name: &str, model: &str) -> Self
pub fn with_prompt(mut self, template: &str) -> Self
pub fn with_system(mut self, template: &str) -> Self
// 流畅式构建器模式
}
}
2. 异步节点实现
#![allow(unused)]
fn main() {
#[async_trait]
impl AsyncNode for LlmNode {
async fn prep_async(&self, shared: &SharedState) -> Result<Value, YanshiError>
async fn exec_async(&self, prep_result: Value) -> Result<Value, YanshiError>
async fn post_async(&self, shared: &SharedState, ...) -> Result<Option<String>, YanshiError>
}
}
3. 状态管理策略
- 在
prep_async中解析模板 - 在
exec_async中执行业务逻辑 - 在
post_async中存储结果到共享状态
中文本地化特性
系统提示中文化
#![allow(unused)]
fn main() {
.with_system("你是一个资深Rust后端开发工程师")
.with_prompt("请帮我创建5道Rust后端面试题")
}
评估标准本地化
#![allow(unused)]
fn main() {
.with_system("你是一名资深的 Rust 后端面试官,请帮我评估以下面试题是否符合 {{ experience_level }} 级别的 Rust 后端开发标准")
}
技术要求
- Rust 2021 edition
- Tokio 异步运行时
- Yanshi 0.1.0+
- 有效的 LLM API 密钥(用于实际 API 调用)
扩展建议
- 添加更多节点类型: 代码评审、技术栈评估等
- 实现工作流程链: 多轮面试问题生成
- 集成持久化: 将结果保存到数据库
- 添加 Web 接口: 提供 REST API 服务
- 支持批处理: 并行处理多个候选人
这个示例展示了 Yanshi 的完整能力,是学习如何构建生产级别工作流程应用的最佳起点。