架构评审：面向约束求解器的对话式输入

在构建前进行架构健全性检查。领域保持模糊，但结构应当熟悉。问题：用聊天机器人替换一个长的多页配置表单（用于后端约束求解器）——用户输入、上传照片、上传电子表格，聊天机器人填写字段。求解器不能接收幻觉或格式错误的数据，因此可靠性比普通聊天机器人更重要。核心决策：拒绝“将整个表单交给大型语言模型并让它对话”——一次调用处理记忆、缺失字段跟踪、矛盾捕获和结构化输出，在长对话中感觉脆弱。相反，严格分离：语言理解（读取输入、措辞回复）→ 仅使用大型语言模型。每个决策（什么缺失、是否有冲突、下一步问什么、是否安全保存）→ 确定性代码，绝不用模型。大致结构：每个配置配置文件的固定架构（“蓝图”）——存在几个真正不同的结构，而不仅仅是不同的默认值。每个会话一个“工作表”，一次一个字段状态：未知 / 提议 / 已确认 / 冲突 / 跳过 / 不适用。在最终审阅屏幕获得明确确认之前，没有任何字段变为已确认。每一轮，从头重建一个新的状态快照并交给模型——它从不依赖记住对话本身。读取输入 = 一次狭窄的大型语言模型调用，受限于严格的输出架构。非文本输入（照片、电子表格）首先被解析（视觉模型 / 纯代码），然后运行该架构匹配步骤。模型提议值；纯代码独立决定接受 / 标记为冲突 / 请求澄清。一个单独的第二次大型语言模型调用仅处理措辞——从不提供原始数据，只提供已做出的决定以便自然地表达。最终载荷生成是100%确定性的——小的独立“部分”各自检查自己的适用性并构建自己的部分；数据确认后不再涉及大型语言模型。我想征求反馈的地方：两个单独的大型语言模型调用（解析，然后提取）用于图像/文档——值得吗，还是一个良好的多模态调用就足够了？每轮重建完整的状态快照——有人遇到真正的扩展问题吗？有人发布过类似的东西吗——它实际上在哪里崩溃了？是否有更轻量级的已知模式，在没有这么多阶段的情况下获得相同的可靠性？任何建议或评论都会有很大帮助，伙计们！