拦截AI Agent工具模式幻觉：Mock Gateway方案详解

如果你正在使用 LangChain、CrewAI、AutoGen 或原生函数调用等方式构建自主 AI Agent，很可能遇到过这样一种场景：

你的 Agent 执行第 1 步到第 4 步都完美无缺。然后到了第 5 步，模型 hallucinates 了参数类型——例如，把 "amount": "$100" 作为字符串传递，而不是把 100 作为整数传递。

预发环境数据损坏：Agent 用错误的状态污染了生产或预发环境。

API 额度浪费：Agent 触发限流，在破碎的执行循环里烧掉真金白银。

静默运行时失败：目标 API 返回一个通用的 400 Bad Request，完全没有给 LLM 提供任何可操作的信息来恢复。

下面是一篇架构剖析，讲解如何在本地开发阶段通过一个虚拟 Mock Gateway 来解决这个问题。

根因：语法 Schema 漂移 vs 语义 Schema 漂移

在对 LLM 工具调用进行测试时，即使采用较低的采样温度（如 0.1），标准的采样温度也会允许轻微的参数漂移。

像 Postman 或 WireMock 这样的标准 Mock 工具期望的是确定性 HTTP 请求。它们在处理非确定性的 AI Agent 时显得力不从心，因为：

• 它们不会对传入的 JSON 参数进行实时的严格 AJV/Pydantic Schema 校验。
• 它们不会向 LLM 上下文提供结构化的错误反馈来测试自我修正能力。

架构：在开发阶段拦截工具调用

不要把 Agent 的 @tool 定义直接指向外部真实 API（如 Stripe、GitHub 或内部数据库），而是将它们路由到一个虚拟验证沙箱中。

+------------------+     Malformed JSON Payload     +-------------------+
|                  |  ------------------------------------>  |                  |
|    AI Agent Loop |                                     |   MockAgent      |
| (LangChain/Crew) |  <------------------------------------   Gateway        |
|                  |        400 Bad Request + Error Path  |  (AJV Validation)|
+------------------+                                     +-------------------+

定义预期的 JSON Schema

设置一个期望严格数据类型的 Mock 端点。例如：

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "user_id": {
      "type": "string"
    },
    "amount": {
      "type": "integer",
      "minimum": 1
    }
  },
  "required": ["user_id", "amount"]
}

实时 Payload 拦截

当 Agent 执行工具调用时，Gateway 在执行任何代码之前实时检查 Payload。

实时 Payload 拦截

当 Agent 执行工具调用时，Gateway 在执行任何代码之前实时检查 Payload。

结构化自我修正反馈

如果 Payload 无效，不要返回一个通用字符串错误。而是返回一个明确的路径错误 Payload：

结构化自我修正反馈

如果 Payload 无效，不要返回一个通用字符串错误。而是返回一个明确的路径错误 Payload：

{
  "status": "error",
  "code": "SCHEMA_VIOLATION",
  "details": [
    {
      "instancePath": "/amount",
      "message": "must be integer",
      "received": "$100"
    }
  ],
  "recovery_hint": "Cast the 'amount' parameter to a raw integer without currency symbols."
}

当 LLM 在执行历史中读取到这个明确的路径错误后，它在下一轮的自我修正成功率接近 ~90%。

沙箱方案：MockAgent

如果不希望为每个工具都编写自定义 Express 服务器来管理这套工作流，可以了解一下 MockAgent。

🛠️ 即时 Mock 端点：用自定义 JSON Schema 在几秒内创建虚拟工具端点。

⚡ 实时 AJV 校验：拦截 Agent 工具调用并实时检查参数。

🔄 自我修正支持：返回结构化的 400 错误，这样你可以评估你的 Prompt 是否能优雅地处理恢复。

📊 轨迹仪表盘：检查实时日志、执行时间戳、Schema 失败率和延迟。

免费试用沙箱：https://mockagent.vercel.app/

讨论

你在当前的 Agent 运行时中是如何处理 Schema 漂移和函数调用失败的？是在工具边界强制执行 Pydantic try/except 重试块，还是完全依赖系统 Prompt 指令？

在下方评论区告诉我！