模型输出一段自然语言时，人可以理解，程序却很难稳定判断它是否包含候选对象、分类信息和后续动作。平台使用 Pydantic 定义结构化结果模型，把 Agent 输出变成后端可以继续处理的契约。
系统 Prompt + 工具 schema
│
▼
模型选择工具
│
▼
ToolCallController 校验
│
├─ 通过：执行工具并记录结果
└─ 拒绝：返回可解释的错误
│
▼
工具结果回到对话上下文
│
▼
模型继续推理
│
▼
Pydantic 校验最终输出项目：AI Task Backend · Python 3.13 · 纯异步
一个让用户可以提交任意任务的后端系统，核心是 Agent 循环。Agent 与 Chatbot 和 Workflow 的本质区别在于：谁来决定下一步。Agent 把这个决策权交给了模型——模型在运行时推理、选择工具、根据结果调整策略。前四天所学的基础设施（FastAPI、RabbitMQ、PostgreSQL、Redis）全部服务于这个循环。
User Input
│
┌───────────▼───────────┐
│ Agent Loop (核心) │
│ │
│ Model Call ◄─────────┤
│ │ │
│ ├─ text ──────► Response
│ │ │
│ └─ tool_call ──► Execute Tool
│ │ │
│ └── result ─┘
│ (back to Model Call)
└───────────────────────┘