防御式 Agent 架构：Schema 注入与超时控制

Schema 注入：SearchParams.model_json_schema() 被传入 LLM 的 tool/function calling 定义中。

确定性调用：LLM 输出一个匹配 SearchParams 的 JSON 载荷。

执行与验证：fetch_live_content 验证参数，在严格的 4 秒窗口内发送 HTTP 调用，并将结果反序列化为 ContentChunk 对象。

上下文注入：序列化的数据块及其各自的 id 被重新注入 LLM 上下文，用于综合生成和引用锚定。

此模式解决了 AI 工程中的一个关键故障模式：将概率性语言模型连接到确定性生产系统的脆弱性。

它解决的问题

工具输入幻觉：LLM 经常偏离轨道或生成格式错误的参数（例如请求 -10 或 1,000,000 项，或传递无法解析的类型）。通过 SearchParams 定义输入会强制模型遵守严格的边界约束（ge=1, le=10），在请求到达基础设施之前拦截无效的工具调用。

Agent 挂起与成本失控：缺乏硬性超时限制时，缓慢的外部 API 或向量索引会导致 agent 无限期挂起。这会阻塞服务器线程、降低用户体验，并增加云成本。明确的 4 秒超时对等待时间施加了确定性的上限约束。

级联应用崩溃：未处理的 HTTP 错误（429 速率限制、500 服务器崩溃）会导致朴素的 agent 运行时崩溃。将这些故障吞没到结构化的降级处理中（return []）使 agent 能够优雅地处理数据缺失，而不是抛出未捕获的异常。