配置驱动：让Agent灵活适配不同场景 — 硬编码是Agent的敌人，配置驱动让同一个Agent服务100个赛道

先说结论

早期赛道、格式、风格全硬编码在代码里 --- 加一个"北漂"赛道要改 3 个文件：Python 枚举加一个值、前端 JS 加一个选项、人设模板加一个文件。改完还要重启服务。

在 self-media-agent 项目里，最终演进为 三层配置体系：

arduino 复制代码

config/
├── default.yaml          全局默认配置（LLM、存储、质检、缓存...）
├── options.yaml          选项列表（赛道、类型、格式、风格）
└── personas/
    ├── beauty_gentle.yaml    美妆温柔干货人设
    └── workplace_sharp.yaml  职场犀利测评人设

同一套代码，加载不同配置文件，就能服务美妆、职场、育儿、健身、北漂...任意赛道。加一个新赛道，只需在 options.yaml 加一行，前端自动从 API 获取，不用改任何代码。

配置层	职责	对应代码
全局配置	LLM、存储、缓存等系统级参数	`config/default.yaml` + `config/models.py`
人设模板	赛道、风格、格式等业务级参数	`config/personas/*.yaml`
选项列表	可选值的枚举（赛道有哪些、格式有哪些）	`config/options.yaml` + `api/routes/options.py`

硬编码是 Agent 的敌人 --- 配置驱动让 Agent 从"为一个赛道写的工具"变成"为所有赛道写的平台"。

一、为什么需要配置驱动？

硬编码时代：加一个赛道改 3 个文件

bash 复制代码

想加"北漂"赛道 →
  ① persona/schema.py 的 Niche 枚举加一个值
  ② 前端 JS 的赛道下拉框加一个选项
  ③ config/personas/ 加一个北漂人设模板
  → 改了 3 个地方，其中 2 个是代码，要重新部署
  → 而且每个新人来都要问"赛道在哪里加？"

硬编码的问题：

加赛道要改代码 --- 改代码 = 走开发流程 = 提 PR = 审代码 = 部署 = 重启
前后端不同步 --- 后端加了"北漂"枚举，前端 JS 忘了加，用户创建人设时选不到
无法运行时扩展 --- 想加"考研"赛道，必须停机改代码重启
配置散落 --- LLM 的 temperature 写在代码里，改一下要找到调用处

ini 复制代码

# ❌ 硬编码：赛道写死在枚举里
class Niche(str, Enum):
    BEAUTY = "beauty"
    CAREER = "career"
    # 想加"北漂"？改这里 → 改完要重启

# ❌ 硬编码：temperature 写死在调用处
llm.generate(prompt, temperature=0.7)  # 改温度要找到这行代码

配置驱动的目标

bash 复制代码

想加"北漂"赛道 →
  ① 在 options.yaml 加一行（或通过 API 添加）
  → 前端自动从 /api/options/niches 获取，下拉框自动出现"北漂"
  → 不用改任何代码，不用重启

配置驱动的三个原则：

代码不包含业务参数 --- 赛道、风格、温度、阈值全在配置文件
配置可运行时修改 --- 通过 API 增删选项，不用重启
敏感信息走环境变量 --- API Key 不入配置文件，不入 Git

二、三层配置体系

配置的三个层次

arduino 复制代码

                    ┌─────────────────────────────────┐
                    │         代码（不变的部分）         │
                    │  配置加载逻辑 + 业务逻辑 + 路由    │
                    └──────────────┬──────────────────┘
                                   │ 加载
                    ┌──────────────▼──────────────────┐
                    │      配置（变的部分）             │
                    │                                  │
                    │  default.yaml    全局系统配置     │
                    │  options.yaml    选项枚举列表     │
                    │  personas/*.yaml 人设模板        │
                    └──────────────┬──────────────────┘
                                   │ 引用
                    ┌──────────────▼──────────────────┐
                    │      环境变量（敏感信息）         │
                    │  API_KEY、数据库密码...          │
                    └─────────────────────────────────┘

三层各管各的事：

层	什么时候变	谁来改	改完要重启吗
全局配置	换 LLM、调缓存策略	开发者	要
人设模板	新增赛道、调整风格	用户/运营	不要（API 热加载）
选项列表	新增赛道选项	用户/运营	不要（API 热加载）
环境变量	换 API Key	运维	要（但不用改代码）

关键区分：全局配置是"系统级"的（改了影响所有用户），人设和选项是"业务级"的（改了只影响特定赛道）。系统级配置走文件 + 重启，业务级配置走 API + 热加载。

三、全局配置：default.yaml

一个文件管所有系统参数

yaml 复制代码

# config/default.yaml

llm:
  base_url: "https://open.bigmodel.cn/api/paas/v4/"
  api_key: "333448406f2640f1a870ccac1e50bc3e.xr5M2NXQGQnJlDGe"
  model: "glm-4-flash"
  temperature: 0.7
  max_tokens: 4096

storage:
  mode: "persist"
  persist_dir: "data/store"
  persist_format: "yaml"

output:
  dir: "data/output"
  format: "markdown"

quality:
  sensitive_words_file: null
  auto_fix: true
  dedup_enabled: true
  dedup_threshold: 0.85
  colloquial_enabled: true
  logic_check_enabled: false

cache:
  enabled: true
  max_size: 2000
  default_ttl: 300
  hotspot_ttl: 600
  topic_ttl: 1800
  content_ttl: 0

task:
  max_concurrent: 4
  default_timeout: 300

web:
  host: "localhost"
  port: 8088
  reload: false

hotspot:
  enabled: true
  platforms:
    - "xiaohongshu"
    - "douyin"
    - "weibo"
  cache_ttl: 600
  top_k: 20

8 个配置块，各管一个子系统：

配置块	管什么	典型调整场景
`llm`	模型调用	换模型、调温度、改 token 上限
`storage`	数据存储	切换内存/持久化模式
`output`	文件输出	改输出目录、换格式
`quality`	质检系统	开关检查项、调阈值
`cache`	缓存策略	调 TTL、改最大容量
`task`	异步任务	调并发数、改超时
`web`	Web 服务	改端口、开关热重载
`hotspot`	热点抓取	开关平台、调缓存时间

一个文件改完所有系统参数 --- 不用在代码里到处找 temperature=0.7 改成 0.8，直接在 YAML 里改，重启生效。

Pydantic 模型：类型校验 + 默认值

python 复制代码

# config/models.py

class LLMConfig(BaseModel):
    """LLM 调用配置"""

    base_url: str = "https://api.deepseek.com/v1"
    api_key: str = ""
    model: str = "deepseek-chat"
    temperature: float = 0.7
    max_tokens: int = 4096

    @field_validator("temperature")
    @classmethod
    def validate_temperature(cls, v: float) -> float:
        if not 0.0 <= v <= 2.0:
            raise ValueError("temperature 必须在 0.0 ~ 2.0 之间")
        return v

    @field_validator("max_tokens")
    @classmethod
    def validate_max_tokens(cls, v: int) -> int:
        if v <= 0:
            raise ValueError("max_tokens 必须为正整数")
        return v

每个配置块对应一个 Pydantic 模型 --- 类型校验、默认值、值域约束，全由 Pydantic 保证。

注意 field_validator --- temperature 必须在 0.0~2.0 之间，max_tokens 必须为正整数。配置写错了，启动时就报错，不会等到运行时才发现。

bash 复制代码

# 如果 default.yaml 里写了 temperature: 3.0
# 启动时直接报错：
# ValidationError: temperature 必须在 0.0 ~ 2.0 之间

这就是"快速失败" --- 配置错了立刻知道，而不是生成内容时才发现温度不对。

嵌套配置：AppConfig 组装所有子配置

ini 复制代码

# config/models.py

class AppConfig(BaseModel):
    """应用全局配置"""

    llm: LLMConfig = Field(default_factory=LLMConfig)
    storage: StorageConfig = Field(default_factory=StorageConfig)
    output: OutputConfig = Field(default_factory=OutputConfig)
    quality: QualityConfig = Field(default_factory=QualityConfig)
    cache: CacheConfig = Field(default_factory=CacheConfig)
    task: TaskConfig = Field(default_factory=TaskConfig)
    web: WebConfig = Field(default_factory=WebConfig)
    hotspot: HotspotConfig = Field(default_factory=HotspotConfig)

AppConfig 是所有子配置的容器 --- 每个子配置都有 default_factory，意味着即使 YAML 文件里没写某个块，也有默认值兜底。

makefile 复制代码

# 如果 default.yaml 只写了这些：
llm:
  model: "glm-4-flash"

# 其他配置块（storage, cache, quality...）全用默认值
# 不会因为少写了配置而崩溃

好处：配置文件可以只写"想改的部分"，其他全用默认值。新加一个配置块，旧配置文件不用改。

四、人设模板：同一套代码，不同赛道

两个人设模板的对比

vbnet 复制代码

# config/personas/beauty_gentle.yaml --- 美妆温柔干货

name: "美妆温柔干货"
niche: "beauty"
persona_type: "gentle_expert"
writing_style: "casual"
content_format: "xiaohongshu"

opening_template: "姐妹们～今天来聊聊{topic}，这个问题真的太多人问了！"
closing_template: "希望对你们有帮助呀～有问题评论区见💕"
emoji_frequency: "medium"
paragraph_max_chars: 150
line_spacing: "normal"

banned_words:
  - "最便宜"
  - "世界第一"
  - "100%有效"
no_exaggeration: true
no_vulgar: true
no_fake_data: true

model_name: "deepseek-chat"
temperature: 0.8

vbnet 复制代码

# config/personas/workplace_sharp.yaml --- 职场犀利测评

name: "职场犀利测评"
niche: "career"
persona_type: "sharp_reviewer"
writing_style: "sharp"
content_format: "long_article"

opening_template: ""
closing_template: "觉得有用就点赞收藏，下期继续聊职场那些事🔥"
emoji_frequency: "low"
paragraph_max_chars: 200
line_spacing: "normal"

banned_words:
  - "绝对"
  - "一定"
no_exaggeration: true
no_vulgar: true
no_fake_data: true

model_name: "deepseek-chat"
temperature: 0.7

同一个人设 Schema，不同的配置值，产出完全不同的内容：

配置项	美妆温柔	职场犀利	区别
`niche`	beauty	career	赛道不同
`persona_type`	gentle_expert	sharp_reviewer	人设类型不同
`writing_style`	casual	sharp	文风不同
`content_format`	xiaohongshu	long_article	输出格式不同
`opening_template`	"姐妹们～..."	""（空）	开头风格不同
`emoji_frequency`	medium	low	emoji 用量不同
`paragraph_max_chars`	150	200	段落长度不同
`banned_words`	最便宜、世界第一	绝对、一定	禁忌词不同
`temperature`	0.8	0.7	生成多样性不同

这就是配置驱动的威力 --- 同一套 BodyGenerator 代码，加载 beauty_gentle.yaml 产出小红书风格的种草文，加载 workplace_sharp.yaml 产出公众号风格的职场干货。

人设的数据模型

ini 复制代码

# persona/schema.py

class PersonaConfig(BaseModel):
    """人设 & 赛道配置 --- 一次设定永久生效"""

    id: str = Field(default="", description="唯一标识，自动生成")
    name: str = Field(..., description="人设名称")
    niche: str = Field(default=Niche.BEAUTY, description="垂直赛道")
    persona_type: str = Field(default=PersonaType.GENTLE_EXPERT, description="人设类型")
    writing_style: str = Field(default=WritingStyle.CASUAL, description="文案风格")
    content_format: str = Field(default=ContentFormat.XIAOHONGSHU, description="内容形式")

    # 格式模板
    opening_template: str = Field(default="", description="开头模板")
    closing_template: str = Field(default="", description="结尾引导模板")
    emoji_frequency: str = Field(default=EmojiFrequency.MEDIUM, description="emoji 频率")
    paragraph_max_chars: int = Field(default=150, description="段落最大字数")
    line_spacing: str = Field(default=LineSpacing.NORMAL, description="排版间距")

    # 禁忌规则
    banned_words: list[str] = Field(default_factory=list, description="禁用词列表")
    no_exaggeration: bool = Field(default=True, description="禁止夸大宣传")
    no_vulgar: bool = Field(default=True, description="禁止低俗")
    no_fake_data: bool = Field(default=True, description="禁止虚假数据")

    # LLM 参数
    model_name: str = Field(default="deepseek-chat", description="使用的模型")
    temperature: float = Field(default=0.7, description="生成温度")

    # 风格进化（从修改中学习）
    style_profile: str = Field(default="", description="风格画像摘要（LLM 生成，自动进化）")
    style_preferences: list[dict] = Field(default_factory=list, description="结构化风格偏好列表")

PersonaConfig 有 20+ 个字段，分成 5 组：

复制代码

① 基础信息：name, niche, persona_type, writing_style, content_format
② 格式模板：opening_template, closing_template, emoji_frequency, paragraph_max_chars, line_spacing
③ 禁忌规则：banned_words, no_exaggeration, no_vulgar, no_fake_data
④ LLM 参数：model_name, temperature
⑤ 风格进化：style_profile, style_preferences（运行时自动填充）

①~④ 由配置文件（YAML）设定，⑤ 由系统运行时自动填充 --- 用户设定一次人设，系统在运行中不断学习风格偏好，写回 style_profile 和 style_preferences。这就是第 9 篇讲的"风格进化"。

人设加载：从 YAML 到 PersonaConfig

python 复制代码

# config/loader.py
def load_persona_config(persona_path: str | Path) -> dict:
    """加载人设 YAML 配置文件（原始字典，由 PersonaManager 解析）"""
    persona_path = Path(persona_path)
    if not persona_path.exists():
        raise FileNotFoundError(f"人设配置文件不存在: {persona_path}")

    with open(persona_path, "r", encoding="utf-8") as f:
        data = yaml.safe_load(f) or {}

    return _resolve_dict_env_vars(data)

加载流程：

javascript 复制代码

beauty_gentle.yaml
    ↓ yaml.safe_load()
{"name": "美妆温柔干货", "niche": "beauty", ...}
    ↓ _resolve_dict_env_vars()
{"name": "美妆温柔干货", "niche": "beauty", ...}  # 替换环境变量
    ↓ PersonaConfig(**data)
PersonaConfig(name="美妆温柔干货", niche="beauty", ...)
    ↓ PersonaManager.create()
存入 Repository，后续生成内容时使用

YAML → dict → PersonaConfig --- 三步走，中间经过环境变量替换，最后由 Pydantic 校验类型。

CLI 加载人设

bash 复制代码

# 从预置模板加载
sma persona load config/personas/beauty_gentle.yaml

# 交互式创建
sma persona init

两种创建人设的方式：

从模板加载 --- persona load <yaml>，读 YAML 文件，适合批量预设
交互式创建 --- persona init，一步步问用户，适合自定义

两种方式最终都生成一个 PersonaConfig 对象，存入 Repository。之后的生成流程完全一样 --- 不关心人设是从 YAML 加载的还是交互式创建的。

五、选项动态加载：options.yaml + API

选项配置：可枚举的值域

yaml 复制代码

# config/options.yaml

niches:                    # 赛道
- key: beauty
  label: 美妆
  emoji: 🌸
  builtin: true
- key: career
  label: 职场
  emoji: 💼
  builtin: true
- key: 北漂
  label: 北漂
  emoji: 🏙️
  builtin: false          # 用户自定义的
- key: 劳务派遣
  label: 劳务派遣
  emoji: ⚖️
  builtin: false          # 用户自定义的

types:                     # 人设类型
- key: gentle_expert
  label: 温柔干货派
  builtin: true
- key: sharp_reviewer
  label: 犀利测评派
  builtin: true

formats:                   # 内容格式
- key: xiaohongshu
  label: 小红书图文
  builtin: true
- key: short_video
  label: 短视频脚本
  builtin: true

styles:                    # 文案风格
- key: casual
  label: 轻松口语
  builtin: true
- key: professional
  label: 专业严谨
  builtin: true

四个分类，每个分类一组选项：

分类	含义	例子
`niches`	垂直赛道	美妆、职场、北漂、劳务派遣
`types`	人设类型	温柔干货派、犀利测评派
`formats`	内容格式	小红书图文、短视频脚本
`styles`	文案风格	轻松口语、专业严谨

每个选项有三个字段：

yaml 复制代码

- key: beauty        # 值（存到 PersonaConfig.niche）
  label: 美妆         # 显示名（前端下拉框显示）
  emoji: 🌸           # 图标（前端展示）
  builtin: true       # 是否系统预设（预设的不可删除）

注意 builtin 字段 --- true 是系统预设的（不可删除），false 是用户自定义的（可删除）。"北漂"和"劳务派遣"就是用户后期通过 API 添加的自定义赛道。

选项 API：运行时增删

python 复制代码

# api/routes/options.py

router = APIRouter()

# 配置文件路径
_OPTIONS_FILE = Path(__file__).resolve().parents[4] / "config" / "options.yaml"


def _load_options() -> dict[str, list[dict[str, Any]]]:
    """加载选项配置"""
    if not _OPTIONS_FILE.exists():
        return {}
    with open(_OPTIONS_FILE, encoding="utf-8") as f:
        return yaml.safe_load(f) or {}


def _save_options(data: dict[str, list[dict[str, Any]]]) -> None:
    """保存选项配置"""
    _OPTIONS_FILE.parent.mkdir(parents=True, exist_ok=True)
    with open(_OPTIONS_FILE, "w", encoding="utf-8") as f:
        yaml.dump(data, f, allow_unicode=True, default_flow_style=False, sort_keys=False)

选项配置直接读写 YAML 文件 --- 不走数据库，因为选项数据量小、变更频率低、需要持久化但不需要复杂查询。YAML 文件就是最简单的"数据库"。

四个 API 端点：

python 复制代码

@router.get("")
async def list_options() -> dict:
    """获取所有选项分类"""
    data = _load_options()
    return {"success": True, "data": data}

@router.get("/{category}")
async def list_category(category: str) -> dict:
    """获取某个分类的选项列表"""
    data = _load_options()
    if category not in data:
        raise HTTPException(status_code=404, detail=f"分类 {category} 不存在")
    return {"success": True, "data": data[category]}

@router.post("/{category}")
async def add_option(category: str, req: OptionAddRequest) -> dict:
    """添加自定义选项"""
    data = _load_options()
    if category not in data:
        data[category] = []
    # 检查 key 是否已存在
    for item in data[category]:
        if item["key"] == req.key:
            raise HTTPException(status_code=400, detail=f"key '{req.key}' 已存在")
    data[category].append({"key": req.key, "label": req.label, "builtin": False})
    _save_options(data)
    return {"success": True, "message": "添加成功"}

@router.delete("/{category}/{key}")
async def delete_option(category: str, key: str) -> dict:
    """删除自定义选项（系统预设不可删除）"""
    data = _load_options()
    if category not in data:
        raise HTTPException(status_code=404, detail=f"分类 {category} 不存在")
    for i, item in enumerate(data[category]):
        if item["key"] == key:
            if item.get("builtin", False):
                raise HTTPException(status_code=400, detail="系统预设选项不可删除")
            data[category].pop(i)
            _save_options(data)
            return {"success": True, "message": "删除成功"}
    raise HTTPException(status_code=404, detail=f"选项 '{key}' 不存在")

四个端点，完整的 CRUD：

端点	方法	作用
`/api/options`	GET	获取所有分类的所有选项
`/api/options/{category}`	GET	获取某个分类的选项列表
`/api/options/{category}`	POST	添加自定义选项
`/api/options/{category}/{key}`	DELETE	删除自定义选项

注意删除时的保护：

python 复制代码

if item.get("builtin", False):
    raise HTTPException(status_code=400, detail="系统预设选项不可删除")

系统预设的选项（builtin: true）不可删除 --- 防止误删基础选项导致系统不可用。用户自定义的（builtin: false）可以随时删。

前端动态加载：不再硬编码

ini 复制代码

❌ 硬编码时代（前端 JS）：
const NICHES = [
    {key: "beauty", label: "美妆"},
    {key: "career", label: "职场"},
    // 想加"北漂"？改这里 → 改完要重新部署前端
];

✅ 配置驱动时代（前端 JS）：
const niches = await fetch("/api/options/niches").then(r => r.json());
// 赛道列表从 API 获取，后端加了前端自动有

前端不再维护选项列表 --- 页面加载时从 /api/options 获取所有选项，渲染下拉框。后端通过 API 加了"北漂"赛道，前端刷新页面就自动出现，不用改前端代码。

bash 复制代码

加"北漂"赛道的完整流程：
  ① POST /api/options/niches  {"key": "北漂", "label": "北漂"}
  → options.yaml 自动写入
  ② 前端刷新页面，下拉框自动出现"北漂"
  ③ 用户选"北漂"创建人设，生成内容
  → 全程不用改任何代码，不用重启

六、环境变量：敏感信息不入配置文件

问题：API Key 写在 YAML 里

makefile 复制代码

# config/default.yaml
llm:
  api_key: "333448406f2640f1a870ccac1e50bc3e.xr5M2NXQGQnJlDGe"  # ← 提交到 Git 了！

API Key 写在配置文件里，一旦提交到 Git，就泄露了 --- 任何人都能看到，而且 Git 历史里永远留着。

解决：环境变量引用

python 复制代码

# config/loader.py

# 匹配 ${ENV_VAR} 或 ${ENV_VAR:default} 格式
_ENV_PATTERN = re.compile(r"${([^}:]+)(?::([^}]*))?}")


def _resolve_env_vars(value: str) -> str:
    """递归替换字符串中的环境变量引用"""

    def _replacer(match: re.Match) -> str:
        var_name = match.group(1)
        default = match.group(2)  # 可能为 None
        env_value = os.environ.get(var_name)
        if env_value is not None:
            return env_value
        if default is not None:
            return default
        logger.warning(f"环境变量 {var_name} 未设置且无默认值，保留原样")
        return match.group(0)

    return _ENV_PATTERN.sub(_replacer, value)

正则匹配 ${...} 格式 --- 配置文件里写 ${ENV_VAR} 或 ${ENV_VAR:default}，加载时自动替换成环境变量的值。

perl 复制代码

# config/default.yaml --- 安全版本
llm:
  api_key: "${DEEPSEEK_API_KEY}"              # 从环境变量读取
  base_url: "${LLM_BASE_URL:https://api.deepseek.com/v1}"  # 有默认值

ini 复制代码

# 环境变量设置
export DEEPSEEK_API_KEY="sk-xxx"

加载时的替换过程：

dart 复制代码

YAML 原始值: "${DEEPSEEK_API_KEY}"
    ↓ 正则匹配
var_name = "DEEPSEEK_API_KEY", default = None
    ↓ os.environ.get("DEEPSEEK_API_KEY")
"sk-xxx"
    ↓ 替换
最终值: "sk-xxx"

有默认值的情况：

dart 复制代码

YAML 原始值: "${LLM_BASE_URL:https://api.deepseek.com/v1}"
    ↓ 正则匹配
var_name = "LLM_BASE_URL", default = "https://api.deepseek.com/v1"
    ↓ os.environ.get("LLM_BASE_URL") → None（没设置）
    ↓ 用默认值
最终值: "https://api.deepseek.com/v1"

递归替换：处理嵌套结构

python 复制代码

def _resolve_dict_env_vars(d: dict) -> dict:
    """递归替换字典中所有字符串值的环境变量"""
    result = {}
    for k, v in d.items():
        if isinstance(v, str):
            result[k] = _resolve_env_vars(v)        # 字符串：替换
        elif isinstance(v, dict):
            result[k] = _resolve_dict_env_vars(v)   # 字典：递归
        elif isinstance(v, list):
            result[k] = [
                _resolve_env_vars(item) if isinstance(item, str) else item
                for item in v                        # 列表：逐个替换字符串
            ]
        else:
            result[k] = v                            # 其他类型：不动
    return result

三种情况递归处理：

字符串 → 调 _resolve_env_vars 替换
字典 → 递归处理子字典
列表 → 逐个元素检查，字符串的替换

这样嵌套配置里的环境变量也能替换：

bash 复制代码

llm:
  api_key: "${DEEPSEEK_API_KEY}"       # 嵌套在 llm 下
  model: "glm-4-flash"

hotspot:
  platforms:
    - "${HOTSPOT_PLATFORM_1:xiaohongshu}"  # 列表里的也能替换
    - "douyin"

环境变量 vs 配置文件

信息类型	放哪里	为什么
API Key	环境变量	敏感，不入 Git
数据库密码	环境变量	敏感，不入 Git
模型名称	配置文件	不敏感，需要版本管理
温度参数	配置文件	不敏感，需要版本管理
赛道列表	options.yaml	不敏感，需要运行时修改

原则：敏感信息走环境变量，非敏感信息走配置文件 --- 环境变量不入 Git（.env 加到 .gitignore），配置文件入 Git（有版本历史）。

七、配置加载器：YAML → Pydantic

加载流程全貌

python 复制代码

# config/loader.py

def load_config(config_path: Optional[str | Path] = None) -> AppConfig:
    """从 YAML 文件加载应用配置"""
    if config_path is None:
        # 尝试默认路径
        default_path = Path("config/default.yaml")
        if default_path.exists():
            config_path = default_path
        else:
            logger.info("未找到配置文件，使用默认配置")
            return AppConfig()

    config_path = Path(config_path)
    if not config_path.exists():
        logger.warning(f"配置文件 {config_path} 不存在，使用默认配置")
        return AppConfig()

    logger.info(f"加载配置文件: {config_path}")
    with open(config_path, "r", encoding="utf-8") as f:
        raw_config = yaml.safe_load(f) or {}

    # 替换环境变量
    resolved_config = _resolve_dict_env_vars(raw_config)

    return AppConfig.model_validate(resolved_config)

完整的加载链：

scss 复制代码

config/default.yaml（YAML 文件）
    ↓ open() + yaml.safe_load()
raw_config（原始字典，可能含 ${ENV_VAR}）
    ↓ _resolve_dict_env_vars()
resolved_config（替换后的字典，环境变量已填充）
    ↓ AppConfig.model_validate()
AppConfig（Pydantic 实例，类型校验通过）
    ↓ 传入 PipelineRunner
config.llm, config.storage, config.quality...（各模块使用）

三道防线：

步骤	作用	失败会怎样
`yaml.safe_load()`	解析 YAML 语法	YAML 语法错 → 报错
`_resolve_dict_env_vars()`	替换环境变量	环境变量没设 → 用默认值或保留原样
`AppConfig.model_validate()`	Pydantic 类型校验	类型错/值域错 → 报错，启动失败

第三道是关键 --- model_validate 会校验所有字段的类型和值域。配置错了，启动时就失败，不会带到运行时。

优雅降级：配置文件不存在时的处理

css 复制代码

if config_path is None:
    default_path = Path("config/default.yaml")
    if default_path.exists():
        config_path = default_path
    else:
        logger.info("未找到配置文件，使用默认配置")
        return AppConfig()       # ← 返回全默认配置

config_path = Path(config_path)
if not config_path.exists():
    logger.warning(f"配置文件 {config_path} 不存在，使用默认配置")
    return AppConfig()           # ← 返回全默认配置

两种"找不到配置文件"的情况：

没传路径，默认路径也不存在 → 返回 AppConfig()（全默认值）
传了路径，但文件不存在 → 返回 AppConfig()（全默认值）

不崩溃，用默认配置跑 --- 这对于快速试用很重要。用户 clone 项目后不写配置文件也能跑起来，全用默认值。

配置注入：从顶层到各模块

ini 复制代码

# pipeline/runner.py
class PipelineRunner:
    def __init__(self, config: AppConfig, repo: Repository, cache=None):
        self.config = config

        # config.llm → LLMClient
        self.llm = LLMClient(
            base_url=config.llm.base_url,
            api_key=config.llm.api_key,
            model=config.llm.model,
        )

        # config.quality → QualityOrchestrator
        self.quality_orchestrator = QualityOrchestrator(
            sensitive_filter=SensitiveFilter(
                sensitive_words_file=config.quality.sensitive_words_file,
            ),
        )

config 在最顶层加载，逐层注入到需要的地方 --- PipelineRunner 拿到 config 后，取需要的部分传给每个模块。

scss 复制代码

AppConfig
├── config.llm         → LLMClient(base_url, api_key, model)
├── config.quality     → SensitiveFilter(sensitive_words_file)
├── config.storage     → Repository(persist_dir, persist_format)
├── config.cache       → init_cache(max_size, default_ttl)
├── config.task        → TaskEngine(max_concurrent, default_timeout)
└── config.hotspot     → HotspotCrawler(platforms, top_k)

业务模块不知道配置文件长什么样 --- 只知道构造函数传进来的参数。换配置源（YAML → 环境变量 → 数据库）只改 load_config()，业务模块不用改。

踩坑记录

坑1：赛道硬编码在 JS 里，加"北漂"要改 3 个文件

ini 复制代码

早期前端代码：
const NICHES = ["beauty", "career", "parenting", "tech", "fitness", "food"];

想加"北漂"赛道 →
  ① 后端 persona/schema.py 的 Niche 枚举加 BEIPING = "北漂"
  ② 前端 JS 的 NICHES 数组加 "北漂"
  ③ config/personas/ 加一个北漂人设模板
  → 改了 3 个文件，其中 2 个是代码
  → 后端改完要重启，前端改完要重新部署
  → 而且经常忘了同步：后端加了前端没加，用户选不到

修复：选项列表抽到 options.yaml，前端从 API 动态加载。

bash 复制代码

修复后，加"北漂"赛道 →
  ① POST /api/options/niches {"key": "北漂", "label": "北漂"}
  → options.yaml 自动写入
  ② 前端刷新页面，下拉框自动出现"北漂"
  → 不用改任何代码，不用重启

教训：凡是"可枚举的业务值"（赛道、格式、风格），都不要硬编码在代码里。抽成配置 + API 动态加载，加新值时零代码改动。

坑2：Niche 枚举和 options.yaml 不同步

vbnet 复制代码

persona/schema.py 里 Niche 枚举有 10 个值：
class Niche(str, Enum):
    BEAUTY = "beauty"
    CAREER = "career"
    PARENTING = "parenting"
    ...

但 options.yaml 里只有 6 个赛道：
niches:
- key: beauty
- key: career
- key: parenting
...

→ 枚举里有"travel"，但 options.yaml 没有
→ 用户从前端创建人设时选不到"travel"
→ 但代码里 PersonaConfig(niche="travel") 又能通过
→ 前端和后端的"可选值"不一致

根因：枚举（代码）和选项列表（配置）是两套数据源，没有同步机制。

修复：PersonaConfig.niche 的类型从 Niche 枚举改成 str，不再做枚举校验，改由前端从 options API 获取可选值。

ini 复制代码

# ❌ 之前：用枚举限制
niche: Niche = Field(default=Niche.BEAUTY)  # 只能选枚举里的值

# ✅ 之后：用 str，不限制
niche: str = Field(default="beauty")  # 任何字符串都行，由前端 options API 限制可选值

教训：当配置和代码都有"可选值"定义时，以配置为准。代码里的枚举只做"代码内部引用"（比如 if niche == Niche.BEAUTY），不做"用户输入校验"。用户输入的可选值由配置（options.yaml）决定。

坑3：API Key 提交到 Git

vbnet 复制代码

早期 config/default.yaml：
llm:
  api_key: "sk-xxxxxxxxxxxxxxxx"  # 真实的 Key

git commit -m "init"
git push
→ API Key 永久留在 Git 历史里
→ 即使后来删了，git log 也能翻到
→ 只能去平台 revoke 重新生成

修复：API Key 改用环境变量引用。

bash 复制代码

# config/default.yaml
llm:
  api_key: "${DEEPSEEK_API_KEY}"   # 引用环境变量

ini 复制代码

# .env 文件（不入 Git）
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx

# .gitignore
.env

教训：任何敏感信息（API Key、密码、Token）都不入配置文件，用 ${ENV_VAR} 引用环境变量。.env 文件加到 .gitignore，永远不提交。

坑4：配置改了但没重启

arduino 复制代码

修改 config/default.yaml：
  llm.temperature: 0.7 → 0.9

→ 页面上生成内容，发现温度还是 0.7
→ 因为 AppConfig 在启动时加载一次，之后不会重新读文件
→ 改了配置文件但没重启服务，用的还是旧配置

根因：全局配置（default.yaml）在启动时一次性加载到内存，运行时不重新读取。

这是设计选择，不是 bug --- 全局配置是系统级参数，变更频率低，重启代价可接受。如果改成运行时热加载，需要处理"配置变更后已创建的对象怎么办"（LLMClient 已经用旧配置创建了，要重新创建吗？），复杂度大幅增加。

当前方案：

全局配置 （default.yaml）→ 改完要重启
选项列表 （options.yaml）→ 通过 API 改，不用重启（每次 API 调用都重新读文件）
人设模板 （personas/*.yaml）→ 通过 API 改，不用重启

教训：区分"启动时加载"和"运行时加载"。系统级配置启动时加载（改了要重启），业务级配置运行时加载（通过 API 改，不用重启）。不要把所有配置都做成热加载 --- 复杂度不值得。

关键 Takeaway

三层配置各司其职 --- 全局配置（default.yaml）管系统参数，人设模板（personas/*.yaml）管业务参数，选项列表（options.yaml）管可枚举值。系统级配置走文件 + 重启，业务级配置走 API + 热加载。
可枚举的业务值不要硬编码 --- 赛道、格式、风格这类"可枚举值"抽到 options.yaml + API 动态加载。加新赛道只需 POST 一个 API，前端自动出现，不用改任何代码。代码里的枚举只做内部引用，不做用户输入校验。
敏感信息走环境变量，配置文件只放非敏感信息 --- ${ENV_VAR} 语法在加载时自动替换，API Key 不入 Git，不入配置文件。_resolve_dict_env_vars 递归替换嵌套结构中的环境变量引用。

下篇预告

下一篇：《持久化与缓存：Agent的数据底座》

本文讲了配置驱动 --- 同一套代码怎么通过不同配置服务 100 个赛道。但有个问题没讲：配置和数据存哪里？ 重启后还在吗？热点数据每次都重新爬吗？

复制代码

没有持久化 → 重启就忘（金鱼记忆）
有持久化 → 重启后数据还在
有缓存 → 热点数据 10 分钟内不重复爬

下一篇讲持久化与缓存 --- 三层存储架构（MemoryStore → FilePersistence → Repository）、持久化时机、缓存策略（LRU + TTL）。