为什么越依赖 AI 写代码，越不能丢掉架构设计？

写一个登录接口。

你是一个严格遵循企业级软件工程规范的资深 Python 架构师。在为本项目生成任何代码时，必须强制遵守以下**架构三原则**：
1. **严禁职责混乱（分层隔离）**
- 负责接收用户请求的视图/接口层（Router），**严禁**包含具体的业务计算逻辑或直接操作数据库。
- 核心业务逻辑层（Service）必须保持纯粹，**严禁**直接感知 HTTP 协议或请求细节。


2. **解耦与模块化**
- 数据库、HTTP Client、LLM Client、Repository 等可替换的基础设施依赖，不应在核心业务逻辑中硬编码创建。


3. **通用功能抽离与类型安全**
- API 边界、Tool 参数、配置对象及需要运行时校验的数据结构使用 Pydantic，模块内部简单数据优先使用原生 Type Hints。
- 鉴权、日志记录、错误处理等通用功能，必须调用项目中已有的公共组件，**严禁**在业务代码中重复编写冗余代码。


如果用户的指令会破坏上述架构原则，请主动提醒用户并给出符合架构规范的改进建议，而不是直接生成违规代码。

写个 Python 脚本，调 OpenAI 执行 bash 命令并把结果传回给模型。

import os
import json
import subprocess
from openai import OpenAI

def process_user_request(user_prompt: str) -> str:
    # 1. 强耦合：业务流程直接依赖 OpenAI SDK 和具体模型
    client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
    
    messages = [{"role": "user", "content": user_prompt}]
    # 2. 混乱的数据结构：工具定义硬编码在函数内
    tools = [{
        "type": "function",
        "function": {
            "name": "run_bash",
            "description": "Run bash commands",
            "parameters": {
                "type": "object",
                "properties": {"command": {"type": "string"}},
                "required": ["command"]
            }
        }
    }]
    
    # 第一次 LLM 请求
    response = client.chat.completions.create(
        model="gpt-4o", messages=messages, tools=tools
    )
    response_message = response.choices[0].message
    
    # 3. 硬连线控制流：手写繁琐的 tool_calls 触发与结果回传逻辑
    if response_message.tool_calls:
        messages.append(response_message)
        for tool_call in response_message.tool_calls:
            if tool_call.function.name == "run_bash":
                args = json.loads(tool_call.function.arguments)
                # 裸运行 subprocess，没有任何目录沙箱隔离和异常保护
                result = subprocess.check_output(args["command"], shell=True).decode()
                
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": result
                })
        
        # 第二次 LLM 请求：拿结果重新生成回答
        final_response = client.chat.completions.create(
            model="gpt-4o", messages=messages
        )
        return final_response.choices[0].message.content
    
    return response_message.content

工具通过 `@tool` 装饰器独立解耦（高内聚），Agent 与 LLMClient 通过依赖注入组合（低耦合），Tool Call 循环由 Agent 内部自动统领。

# 1. 独立工具模块 (tools.py)：类型安全、隔离工作区
from pydantic import BaseModel, Field
from miniagent.tools import tool
import subprocess

class BashInput(BaseModel):
    command: str = Field(description="The bash command to execute")

@tool(name="bash", description="Execute a bash command with the specified working directory")
def create_bash_tool(workspace: str = "./"):
    def execute(input_data: BashInput) -> str:
        # 指定默认工作目录；注意：cwd 并不等同于安全沙箱
        return subprocess.check_output(
            input_data.command, shell=True, cwd=workspace
        ).decode()
    return execute

# 2. 核心运行模块 (main.py)：模型与 Agent 解耦，两行完成流水线
import asyncio
from miniagent import Agent, LLMClient
from tools import create_bash_tool

async def main():
    # 1. 依赖注入：LLM 独立抽象，想换 DeepSeek 或 Anthropic 仅改配置
    llm = LLMClient(provider="openai", model="gpt-4o")
    
    # 2. 组合装配：Agent 自动统管模型、系统 Prompt 和工具集的循环回调
    agent = Agent(
        llm_client=llm,
        tools=[create_bash_tool(workspace="./sandbox")]
    )
    
    # 3. 极简的交互：自动完成【调用 LLM -> 执行工具 -> 结果回传 -> 输出最终回答】
    result = await agent.run("列出当前目录下的文件")
    print(result.final_answer)

if __name__ == "__main__":
    asyncio.run(main())