专家模式

专家模式中调用了一个叫Pydantic库，它的核心作用：数据验证与解析。在 Python 这种动态类型语言中，变量的类型随时可能发生变化。当你从外部环境（比如前端的 API 请求、数据库读取、读取本地 JSON 文件）接收数据时，你很难保证传入的数据格式完全符合你的预期。比如你期望一个代表年龄的整数 age，别人却传进了一个字符串 “twenty”，如果直接处理，代码在运行到深处时就会崩溃。
Pydantic 就是用来解决这个痛点的。它利用 Python 的类型提示机制，在数据进入你的核心业务逻辑之前，强制对其进行检查、清洗和过滤。

老师给我们展示了一个案例，两数相加的节点。我自己添加了备注展示如下：

# 导入 Python 类型提示模块 Optional (表示值可能为 None) 和 Type (表示类本身的类型)
from typing import Optional, Type
# 从 panda_plugins.base 导入节点基类 BaseWorkNode 和节点注册装饰器 work_node
from panda_plugins.base import BaseWorkNode, work_node
# 从 pydantic 导入数据模型基类 BaseModel，用于提供严格的数据参数类型校验
from pydantic import BaseModel


# 定义输入数据模型：继承自 BaseModel，它指定了节点在运行时需要接收到什么参数及其要求
class InputModel(BaseModel):
    """
    Define the input model for the node.
    Use pydantic to define, which is a library for data validation and parsing.
    Reference: https://pydantic-docs.helpmanual.io
    为工作节点定义输入模型.
    使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
    参考文档: https://pydantic-docs.helpmanual.io
    """
    # 定义参数 number1，类型必须为整数 (int)，Pydantic 会自动在运行前验证传入值
    number1: int
    # 定义参数 number2，类型也必须为整数 (int)
    number2: int


# 定义输出数据模型：继承自 BaseModel，它规范了节点在执行完毕后会输出什么样的数据结构
class OutputModel(BaseModel):
    """
    Define the output model for the node.
    Use pydantic to define, which is a library for data validation and parsing.
    Reference: https://pydantic-docs.helpmanual.io
    为工作节点定义输出模型.
    使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
    参考文档: https://pydantic-docs.helpmanual.io
    """
    # 定义输出字段 result，即计算出来的相加结果，数据类型为整数 (int)
    result: int


# 使用 @work_node 装饰器将该类注册为系统的可用节点
# name="Example - Add Two Numbers" 是节点在前端控制面板中显示的名称，group="Test Nodes" 是该节点所属的分组
@work_node(name="Example - Add Two Numbers", group="Test Nodes")
# 定义节点核心执行类，必须继承 BaseWorkNode 基类才能被系统识别和调用
class ExamplePluginAddition(BaseWorkNode):
    """
    Implement a example node, which can add two numbers and return the result.
    实现一个示例节点, 完成一个简单的加法运算, 输入 2 个数值, 输出 2 个数值的和.
    """
    # Return the input model
    # 返回输入模型
    # 使用 @classmethod 表明这是一个类方法，框架在无需实例化节点对象时，就能主动调用获取这里的输入规范
    @classmethod
    def input_model(cls) -> Optional[Type[BaseModel]]:
        # 返回上方定义好的 InputModel 类，作为本节点的输入契约
        return InputModel

    # Return the output model
    # 返回输出模型
    # 同样使用 @classmethod 提供对外访问本节点输出结构的方法
    @classmethod
    def output_model(cls) -> Optional[Type[BaseModel]]:
        # 返回上方定义好的 OutputModel 类，作为本节点的输出契约
        return OutputModel

    # Node running logic
    # 节点运行逻辑
    # 核心算法执行函数。当系统触发该节点运行时，系统将输入的数据实例化为 BaseModel (此处为 InputModel) 并传入
    def run(self, input: BaseModel) -> BaseModel:
        # 提取 input 实例对象中的 number1 和 number2 属性，执行加法，将结果存入 result 变量
        result = input.number1 + input.number2
        # 将计算得到的数值 result 封装到事先约定好的 OutputModel 实例中，并返回给工作流系统
        return OutputModel(result=result)


# 这是一个 Python 的标准独立执行入口判断。只有当该脚本文件被作为主程序直接运行时才会执行，被其他文件 import 时不会执行
if __name__ == "__main__":
    # 本地调试：实例化上面声明的加法计算节点
    node = ExamplePluginAddition()
    # 本地调试：手动构造一个符合 InputModel 规范的对象，赋予 number1 为 1，number2 为 2
    input = InputModel(number1=1, number2=2)
    # 本地调试：调用被实例化节点的 run 方法，传入刚刚创建的输入对象，并把返回结果打印到控制台中
    print(node.run(input))

1.点击创建工作流旁边的专家模式

2.在专家模式中写的节点可以在自定义节点中展示

3.拖动节点到面板，即可以实现节点功能

总结

这个专家模式还没有很熟悉，正在学习中，希望能够跟各位交流共进。