本篇是系列第 4 篇,覆盖同构渲染、前端监控和工程化架构。
八、服务端渲染与前后端同构
8.1 演进脉络
| 时期 | 形态 | 代表 |
|---|---|---|
| 初期 | 传统服务端渲染 | EJS、JSP |
| 中期 | SPA 单页应用 | React / Vue 客户端渲染 |
| 后期 | SSR 与 SPA 结合 | Next.js、Nuxt.js |
答题技巧:遇到「了解过 XX 吗」这类问题,先抓重点(服务端渲染),再讲技术背景,最后讲核心设计思想。
背景要从大点到小点(含优化),避免同质化。可按时间维度(初期/中期/后期)或空间维度(广度)展开。
8.2 SSR / SSG / 前后端同构
| 方案 | 概念 | 特性 |
|---|---|---|
| SSR | 在服务端处理数据并生成完整 HTML 页面返回客户端,React / Vue 接管渲染 | 极致首屏优化、SEO 支持(sitemap)、交互性(内容渲染提前,事件绑定随后完成) |
| SSG | 渲染工作大部分不依赖服务端,直接生成静态站点文件(网页静态技术) | 高性能、SEO 优势、适合内容不频繁变动的场景(秒杀活动、抢购页) |
| 前后端同构 | 定制化地把前端与后端开发工作流合并,完全统一的规范与管理模式 | 统一开发体验、SEO 与性能优化 |
SSR 全链路
1 | flowchart TD |
8.3 为什么 AI 产品首选 SSR
AI 产品的特殊性
- 追求短平快(全栈):一套框架同时解决页面与接口。
- 隐私和安全:
- 数据以 JSON 请求暴露在浏览器,只要拿到 token,就能在任何位置频繁调用你的接口。
- 很多第三方服务(OpenAI 等)的 token 若放前端会直接泄露。
- 动态响应与个性化:需要按用户、按会话动态生成内容。
SSR 的三点优势
- 用户体验(首屏更快)
- 减轻客户端压力
- 降低维护成本
典型的 AI 项目形态:Dify、Coze 类 AI 应用开发平台(Prompt、RAG、知识库、模型部署与接入、流程编排、function calling、MCP 接入,以及企业级模型调优 / 数据集 / 训练);v0、bolt 等 AI 生成类产品。
8.4 Next.js 实战
① 创建项目
1 | npx create-next-app@latest |
- 关注路由:早期主要用 Pages Router,现在用 App Router。App Router 支持模块化、组件化,并在预渲染、服务端优先水合、布局与路由的服务端优先上做了架构优化。
- 创建过程中:TS、ESLint、App Router、Turbopack 必选;TailwindCSS、
src/目录、路径别名按需。 - 约定式路由:按文件目录结构创建文件,浏览器输入对应 URL 即可进入,无需配置 router。如在
home文件夹下放page.tsx,访问localhost:3000/home即可。
② 请求流程(五步)
- 用户请求页面,Next.js 处理请求。
- 服务端渲染:根据请求渲染出 HTML(
getServerSideProps获取动态数据)。 - 返回 HTML:用户看到浏览器初步渲染结果。
- React 水合(Hydration):React 在客户端接管已渲染的 HTML,把静态 HTML 转为动态应用。
- 前端渲染:页面变为完整的 React 应用,用户可交互,React 接管后续界面更新与数据处理。
1 | flowchart TD |
③ App Router 的关键约束
- 新的架构下 Server Component 优先:React Hook 只能用在客户端组件,不能用在服务端组件。
- 客户端组件:文件顶部加
"use client"。 - 服务端组件:默认即是。
④ 动态路由
1 | user |
访问 localhost:3000/user 或 localhost:3000/user/1。
1 | // app/user/[id]/page.tsx |
1 | // app/user/page.tsx |
⑤ 编写 API
在 app 目录下创建 api 文件夹,文件名用 route.ts。
1 | // app/api/route.ts |
Pages Router 的写法是
export default function handler(req, res);App Router 改为按 HTTP 方法导出具名函数。
8.5 从零自研一套 SSR 体系
① API 结构四要素
- React 水合 /
renderToString - 路由系统
- 状态同步
- 样式提取
② 设计时考虑的四个方面
- 路由设计与管理:需要一个简单的路由系统把 URL 映射到对应 React 组件。
- SSR 与 SSG 的选择:按页面内容变化频率与 SEO 需求决定。
- 数据获取与传递:SSR 模式下数据可在服务端直接获取后传给组件;客户端可通过
getInitialProps或useEffect加载。 - 客户端与服务端的水合:客户端拿到服务端渲染的 HTML 后执行水合,恢复组件状态并绑定事件。
③ 技术要点
| 技术 | 角色 |
|---|---|
| Vite | 现代构建工具,快速开发构建与 HMR,可与 SSR 构建良好集成 |
| React | UI 构建框架 |
| Express | 轻量 Web 服务器,处理请求与响应,提供 SSR 所需 API |
ReactDOMServer.renderToString |
把 React 组件渲染成 HTML 字符串 |
ReactDOM.hydrate |
在客户端接管服务端渲染页面,完成水合 |
④ 老 SPA 重构为 SSR 的实践路径
- 先做路由收敛:把散落的页面入口统一到约定式路由表。
- 抽数据预取层:把各页面原本在
useEffect里的请求上移到服务端数据获取函数。 - 处理样式提取:服务端渲染时同步收集 CSS,避免首屏闪样式。
- 处理状态同步:把服务端数据序列化注入 HTML,客户端水合时复用,避免二次请求。
- 灰度切流:按路由维度逐步切换,而不是一次性全量。
参考实现:
miaoma-tiny-ssr(手写一个类 Next 框架),可配合视频教程逐步跟做。
九、前端监控与可观测
一条完整的监控链路 = 采集 → 上报 → 接入缓冲 → 流式计算 → 存储 → 可视化 / 预警 → AI 化。
9.1 指标体系
性能指标
| 指标 | 全称 | 含义 |
|---|---|---|
| PLT | Page Load Time | 首页加载时间:导航开始到最终整屏内容加载完成 |
| FP | First Paint | 首次绘制 |
| FCP | First Contentful Paint | 首次内容绘制:第一个内容绘制的时间 |
| FMP | First Meaningful Paint | 首次有意义绘制:指标因产品而异,已被 LCP 取代 |
| LCP | Largest Contentful Paint | 最大内容绘制时间 |
| TTI | Time To Interactive | 可交互时间 |
| CLS | Cumulative Layout Shift | 视觉稳定性:加载时内容意外跳动的总分,≤0.1 为良好 |
| INP | Interaction to Next Paint | 交互响应速度:从点击 / 触摸 / 键盘输入到浏览器完成下一帧渲染的耗时(ms) |
采集来源:
PerformanceAPI、web-vitals库、自定义指标计算。
异常指标
- JS 运行时异常
- Promise 未处理拒绝(unhandled rejection)
- 资源加载异常
- 接口请求异常
- 框架层异常:React 执行异常、Vue 执行异常
用户行为
- 新老用户判定:给 Cookie 加一个变量标记。
- 页面浏览量(PV)、独立访客数(UV)、点击 / 操作事件、停留时间。
工程化流程指标
- 构建时间
- 缓存利用率
9.2 采集与上报策略
上报通道
- fetch / XHR:可能出现跨域,日志系统通过 CORS 解决(常规数据的首选)。
- 图片打点:
new Image().src = url,天然跨域、不阻塞。 - Navigator.sendBeacon:页面卸载时可靠发送。
分级上报策略(兼顾实时性与页面性能)
- 常规数据(AJAX / Fetch):非阻塞日志,利用 HTTP/2 多路复用特性,用
fetch批量上报。 - 高可靠数据(sendBeacon):页面加载、可见性变化等关键节点埋点,确保页面关闭后数据仍能送达,解决「数据丢失」痛点。
- 实时交互(WebSocket):需要双向通信或极低延迟的场景(协同编辑监控、实时热力图),建长连接。
9.3 全链路架构
话术(面试可直接背)
我主导并落地了一套端到端的全链路监控平台,覆盖从前端 SDK 无感采集(性能、异常、用户行为三类指标)、高吞吐消息队列缓冲、流式计算清洗,直到 OLAP 数据库(ClickHouse)落库与可视化的完整数据生命周期。
五段链路
- 端侧采集:自研埋点 SDK,
sendBeacon + XHR分级上报。 - 接入与缓冲:Nginx 负载均衡 → Node.js 网关 → Kafka 削峰填谷。
- 流式计算:Flink / Spark 实时清洗与聚合。
- 存储引擎:ClickHouse 列式存储,海量数据毫秒级查询。
- 数据应用:实时大屏 + 智能预警 + AI 根因分析。
接入层:高可用网关
- Nginx:反向代理与负载均衡,承载海量并发,做 SSL 卸载与初步流量清洗。
- Node.js(NestJS):BFF / 接入服务,负责鉴权、数据格式校验,然后迅速把数据「甩」给 Kafka,不做耗时逻辑,保证接口 ms 级响应。
缓冲层:Kafka
架构决策:引入 Kafka 是为了解耦「生产」与「消费」的速度不匹配,实现流量削峰。
- Topic 设计:按数据热度与结构拆分,如
topic_error_log(低频、高价值)、topic_performance(高频、海量)。 - Partition 策略:按
session_id或user_id做 Hash 分区,保证同一用户行为落在同一分区,从而保证时序性。
1 | // Node.js Producer 示例 |
9.4 存储层:ClickHouse
为什么是 ClickHouse:监控数据具有「写多读少、按时间查询、海量数据聚合」的特征。
- 写入性能:支持高吞吐批量写入。
- 查询性能:列式存储 + 向量化执行引擎,亿级数据聚合(Group By)秒级完成。
- 数据压缩:极高压缩比,节省大量存储成本。
1 | CREATE TABLE monitoring_db.events |
写入优化铁律:千万不要单条插入。在 Consumer 层维护内存 Buffer,满足「数量达到 5000 条」或「时间间隔达到 5 秒」任一条件即批量 INSERT,最大限度减少 IO 开销。
9.5 可视化与智能预警
数据可视化
前端管理后台直连 ClickHouse(或经中间层 API),用 ECharts 渲染大屏:
- 趋势分析:按
toStartOfMinute(timestamp)聚合,展示 PV / UV 曲线。 - 性能分布:用
quantile函数计算 TP50、TP90、TP99。
多级预警
- 离线报警:CronJob 每分钟轮询 ClickHouse,对比昨日同比数据,波动超过 20% 触发邮件。
- 实时报警:在 Flink 流处理阶段直接对接 IM 机器人(飞书),捕获 FATAL 级错误立即把堆栈推送到研发群,实现秒级感知。
9.6 AI 化:从根因分析到自动修复
- 让 AI 懂你的团队:投喂开发规范、开发流程,让模型理解项目上下文。
- 精调模型:针对监控场景做微调。
- RAG:把历史故障、值班手册、变更记录做成知识库,供根因分析检索。
- 多模态输入:用
rrweb录屏、截图上传;凡需通过截图/录制分析的场景,都要按多模态(文本 + 图片 + 视频)设计。本地调试可用 Ollama +qwen3-vl:2b。 - 进一步:Code Agent(Vibe Coding)
- 根因定位后自动修复,自动提 PR。
十、工程化与架构
10.1 Monorepo:定义与四个核心特点
Monorepo(Monolithic Repository,单一代码仓库)
- 一种软件开发架构策略。
- 核心逻辑:把多个项目(Projects)、多个软件包(Packages)和公共组件库,全部放在同一个 Git 仓库中统一管理。
- 通俗说法:前端、后端、服务端、自定义工具插件都在同一个文件夹下,通过
pnpm-workspace.yaml定义 packages,彼此可互相安装、独立运行,但只提交一个 Git 仓库。
| 特点 | 深度解读 |
|---|---|
| 单一仓库(One Repo) | 所有代码资产在一个 Git 历史中,一次 git clone 拿到组织工程全貌 |
| 多项目共存(Multi-Project) | 仓库内用文件夹隔离不同业务应用与基础设施 |
| 统一依赖管理(Shared Dependencies) | 所有项目共用一套基础依赖(React、TS、Jest),升级时同步升级,避免版本割裂 |
| 原子化提交(Atomic Commits) | 一个需求同时改「后端 API」和「前端调用」时,可在同一个 commit 中提交,保证逻辑完整 |
Monorepo 解决的四个痛点
- 代码复用性瓶颈 → 增强复用
- 依赖管理复杂化 → 更友好的依赖管理
- 跨项目原子性缺失 → 保证代码审查、持续集成与发布的一致性
- 工程规范分散化 → 团队规范化、流程化、自动化
10.2 Polyrepo vs Monorepo
以「repo-frontend 需要 repo-utils」为例,Polyrepo 的做法是:改 repo-utils 代码 → 发布 npm 包(npm publish)→ repo-frontend 执行 npm i 安装。有 bug 就重复上述流程,调试极难。
| 维度 | Polyrepo | Monorepo |
|---|---|---|
| 代码复用 | 困难:复制粘贴或发私有 npm 包 | 容易:本地物理路径引用,修改即生效 |
| 依赖管理 | 分散:各仓库各自维护 package.json,版本参差 | 统一:根目录控制核心版本,消除「依赖地狱」 |
| 开发流程 | 繁琐:跨库开发需 link 或发包 | 顺畅:无需发包,保存即热更新 |
| 工程配置 | 重复:每个仓库都配一遍 ESLint、Jest、CI | 复用:根目录定义一套规范,所有子包继承 |
典型例子:Google、Vue 3、React;字节、美团、阿里的中台业务线与组件库。
10.3 包管理器对比
| 特性 | pnpm ⭐ | Yarn (v1 / Berry) | npm |
|---|---|---|---|
| 磁盘占用 | 极低(Content-addressable) | 高(复制多份) | 高(复制多份) |
| 安装速度 | 极快 | 快 | 慢 |
| 幽灵依赖 | 严格禁止(安全) | 宽松 | 存在隐患 |
| Workspace 支持 | 原生且配置简单 | 支持 | 基础支持 |
① 磁盘机制(硬链接)
- npm / yarn:有几个项目就复制几份依赖到各自的
node_modules。 - pnpm:用**硬链接(Hard Link)**只下载一份到磁盘全局,其他项目全部指向它。
- 硬链接特点:同一个文件多个入口,修改任意一个全部生效;删除其中一个链接,原文件仍在。
② 幽灵依赖(Phantom Dependencies)
- 现象:A 依赖 B,B 依赖 C。在项目 A 中直接使用 C 不会报错,但
package.json里没写 C。 - 危害:若 B 后续不再依赖 C,代码立刻报错。
- pnpm 的解法:通过非扁平化的
node_modules结构,物理层面彻底屏蔽幽灵依赖。
10.4 构建编排工具
| 工具 | 简介 | 优势 | 劣势 | 推荐场景 |
|---|---|---|---|---|
| Lerna | 老牌霸主,已被 Nx 收购 | 擅长版本管理与 npm 发包 | 构建性能差,缺乏任务缓存 | 纯 npm 库维护 |
| Nx | 功能最全的企业级框架 | 极强,插件丰富,支持分布式计算 | 配置复杂,侵入性强,学习曲线陡 | 超大型全栈团队 |
| Turborepo ⭐ | Vercel 出品,后起之秀 | 配置极简,Go 编写、速度极快,开箱即用的远程缓存 | 插件生态不如 Nx 丰富 | 中小型及大厂新项目 |
中大型前端项目的「黄金标准」
- pnpm:处理底层依赖链接,保证快和省。
- Turborepo:处理上层任务调度,保证构建流水线效率(Caching、Remote Caching、Pipelines)。
- TypeScript:提供全链路类型安全。
10.5 目录结构与子包引用规则
1 | project |
1 | # pnpm-workspace.yaml |
包名定义:统一为 @外层包名/当前包的文件夹名。
子包被引用的三个前提
- 有入口文件。
- 在入口文件中定好并向外部导出功能模块代码。
package.json的module(或main)指向入口文件,向外暴露。
引用方式:在引用方的 dependencies 中写 "@monorepo-project/configs": "workspace:*",然后执行安装命令。
注意:每个子包都需要打包(常见用
tsup)。
10.6 从零手搭脚手架(12 步)
需掌握的知识点
- 工程组织:monorepo(本质是架构约定、包的约定)
- 规范化:ESLint、Stylelint、cspell、commitlint
- 构建打包:Vite、esbuild、webpack
- 测试:Jest、Vitest、Playwright ⭐⭐⭐
搭建流程
- 创建项目。
pnpm init初始化。- 管理依赖
package.json:- 运行时依赖:
"devDependencies": { "typescript": "版本号" } - 编译脚本:
"scripts": { "compile": "tsc" }
- 运行时依赖:
- 创建
pnpm-workspace.yaml,划分子包结构(packages / apps)。 - 创建对应子包。
- 在
apps下创建client与server,先完成 server 配置。 server内初始化,指定编译脚本(里层包共享外层包依赖,可省略类型依赖)。- 创建
server/src/index.ts。 - 基本结构完成。
- 配置启动命令:
server/package.json→"scripts": { "dev": "node dist/index.js" }。 - 启动验证:
pnpm i→pnpm compile→npx tsc --init→ 指定outDir与rootDir后重跑。 - 一个基本 Node.js 全栈骨架完成。
10.7 规范体系
| 工具 | 职责 |
|---|---|
| ESLint | JS/TS 代码质量与规则检查 |
| Prettier | 代码格式化 |
| cspell | 拼写检查 |
| commitlint | Git 提交信息规范 |
| Biome | 一体化工具链:Formatter + Linter + Import 排序,可替代 eslint + prettier |
Biome 的边界:没有插件体系,且只支持部分 TS 类型感知的 Lint 规则,所以现实中是 ESLint + Biome 共存,而不是完全替换。
CI/CD 卡点设计
- 提交前:lint-staged + husky。
- 提交时:commitlint 校验 message。
- PR 时:类型检查、单测、构建体积对比。
10.8 组件库与设计体系
原子化与组件化的三层约束
| 层 | 手段 | 作用 |
|---|---|---|
| Design Tokens(设计契约) | 定义语义化 CSS 变量 | 作为单一事实来源 |
| Utility Class(原子实现) | Tailwind 读取 Tokens 生成原子类 | 把契约落到可组合的原子类 |
| Component API(接口约束) | 用 CVA(Class Variance Authority)把原子类封装为类型安全的组件变体 | 对业务暴露受控 API |
文档站:Rspress
| 维度 | Rspress(Rust 驱动) | Docusaurus / VitePress | 核心收益 |
|---|---|---|---|
| 构建引擎 | Rspack (Rust) | Webpack / Vite | 冷启动快 10 倍,大型站点毫秒级 HMR |
| MDX 支持 | 原生内置 | 需插件 / 部分支持 | 无缝引入 React 组件,实现 Live Demo |
| 类型提取 | 基于 TS AST | 需复杂配置 | 自动从源码生成 API 表格,杜绝文档过时 |
| 多语言 | 原生路由支持 | 较繁琐 | 轻松支持 i18n |
页面用
.mdx配置实现;文档:https://rspress.rs/guide/start/getting-started
MCP 开发(组件库可顺带提供的能力)
- MCP 服务端 + MCP 客户端,把二者连接起来,即可让 AI 直接使用你的组件库知识。
10.9 构建工具:Vite
初始化
1 | npm create vite@latest my-app --template vanilla-ts |
① Bundleless
基于 ESM 的模块化管理与加载,少打包甚至不打包。
1 | <!-- bundleless 方案 --> |
为什么用 Native ESM 启动:利用浏览器原生解析 import 的能力,省去开发环境的 bundle 打包过程,把文件处理从 O(n) 降为 O(1)。
② 两个高频原理题
tsconfig.json的moduleResolution为什么设为Node或Bundler?- 虽然 Vite 最终跑在浏览器,但开发阶段依赖 Node.js 环境去查找依赖(resolve
node_modules)。
- 虽然 Vite 最终跑在浏览器,但开发阶段依赖 Node.js 环境去查找依赖(resolve
- Path Alias 的底层原理?
- 它不只是 TS 的静态检查配置,更需要在
vite.config.ts中配置resolve.alias。本质上是在编译时用正则把@/xxx替换为绝对路径,否则浏览器运行时会报模块找不到。
- 它不只是 TS 的静态检查配置,更需要在
③ 插件体系
微内核设计,插件本质是对象。常见插件:
- CSS 编译:
vite-plugin-postcss - TS 编译:
vite-plugin-enhance-typescript - GLSL 编译:
vite-plugin-glsl - 文件处理:
vite-plugin-babel、vite-plugin-legacy - 启动服务:内置
④ 开发一个编译类插件的三条路径
- 正则表达式替换(最快,也最脆)。
- Babel AST 做编译器(最稳)。
magic-string+estree-walker遍历 AST 并实现编译(推荐)。
生态 AST 工具链
| 工具 | 说明 |
|---|---|
acorn |
Vite / Rollup 内置解析器,用于生成 AST(太重,不推荐直接用) |
estree-walker |
轻量 AST 遍历工具 |
magic-string ⭐ |
不必重新生成整个 AST,可按索引修改字符串并自动生成 SourceMap |
1 | // 示例:删除 console.log 的插件,之后在 vite.config.ts 的 plugins 里注册 |
⑤ 插件生命周期(钩子)buildEnd(构建完成)→ transform(转换阶段)→ resolveId(解析阶段)→ load(加载阶段)……
10.10 编译原理:Babel
Babel 是什么
- 一个标准 LISP 风格编译器,本质是 JS 编译器。
- 用处:代码降级、polyfill、多端编译(Taro)。
编译的本质:把源代码加工成新代码(字符串操作)。通过词法、语法、语义分析加工代码,输出目标代码。
AST(Abstract Syntax Tree):描述代码结构;类比 DOM 树描述 DOM 结构。
四阶段架构
1 | flowchart LR |
① 解析(Parsing)—— @babel/parser
把非结构化字符串转为结构化数据,分两个子阶段:
- 词法分析(Lexical Analysis / Tokenization)
- 机制:扫描器逐字符读取源码,移除空白与注释,切割成 Token 流。
- 形态:
const a = 1→[Keyword(const), Identifier(a), Punctuator(=), Numeric(1)] - 重难点:处理上下文相关语法(JSX、TypeScript)需按上下文切换 Tokenizer 状态。
- 语法分析(Syntactic Analysis)
- 机制:按 ECMAScript 语法规则把 Token 流组装成 AST。
- 形态:Token 流 → JSON 树结构(符合 ESTree 规范)
② 转换(Transformation)—— @babel/traverse
最复杂、最核心的阶段,也是插件唯一介入窗口。
- 机制:接收 AST,做深度优先遍历(DFS)。
- 架构:采用访问者模式(Visitor Pattern),解耦「数据结构(AST)」与「操作逻辑(插件)」。
- 形态:AST → Modified AST(被增删改查后的新树)
③ 生成(Generation)—— @babel/generator
- 机制:深度优先遍历转换后的 AST,按节点类型递归输出字符串。
- 代码还原:把 AST 节点转回 JS 代码。
- SourceMap 生成:利用 AST 中保留的
loc(行列信息)映射回源码。
④ 最小流程
1 | import * as parser from '@babel/parser' |
完整工程流程(src → compile.js → dist)
1 | // compile.js |
插件化体系(微内核)
- 本质:一个 Babel 插件就是 Visitor 对象的工厂函数。Babel 遍历 AST 时每走到一个节点,就去查找所有已注册插件中是否定义了针对该节点类型的钩子。
- 插件:
arrowFunctionPlugin(语法转换)、declarePlugin(声明插件)。 - 预设(Preset):把多个 plugin 打包在一起。如
@babel/preset-env——把箭头函数转为普通函数、把const转为var。
访问者模式的三条规则
- 生命周期:每个节点经历两次访问——
Enter(向下遍历、触达时触发,大部分逻辑写这里)、Exit(向上回溯、离开时触发)。 - 插件在预设之前运行。
- 插件顺序:从前向后(First to Last);预设顺序:从后向前(Last to First,为兼容性,先跑 loose 模式)。
写一个插件的流程:参考 transform-arrow-functions 实现 → 解析源码时把插件文件路径注册进去 → 安装即可。
10.11 实战:类飞书多维表公式编译器 + AI Agent 化
四步走(以 sum(a, b) 为例)
- 拆:
sum(ab)—— 拆的过程就是词法分析(Tokenizer)。 - 转:转为标准 AST(DSL)—— Parser。中间可先转逆波兰式。
- 生成:Generator。
- 执行:Interpreter。
AI 公式编辑器的两条路线
| 路线 | 流程 | 风险 |
|---|---|---|
| 传统思路(Copilot) | 用户输入「计算平均值」→ LLM 返回代码 → 扔进 eval |
危险且不可控,存在注入风险 |
| 高阶思路(Agentic Flow) | ① Generate:LLM 基于我们的 DSL 文法生成公式② Validate:复用 parse() 作为校验器③ Reflect:parse() 报语法错误时,把错误信息回传 LLM 让其重生成④ Execute:只有通过校验的公式才送进 Interpreter⑤ 返回结果⑥ 可视化结果 |
可控、可解释、可迭代 |
这个模式可迁移到所有「LLM 生成结构化产物」的场景:先约束文法 → 再让模型生成 → 用编译器校验 → 失败回传重试 → 最后才执行。这就是「给 AI 加一层枷锁」的低代码思路。