先记住这个答案
在工具input_schema的字符串字段上声明pattern与minLength/maxLength，并在description中写明预期语法和正反例。模型会据此生成较规范参数，但pattern只管格式不管语义，调用前必须在服务端二次校验。失败时返回可修正示例，让模型改写而非直接报错。
- 用pattern和长度边界收窄合法输入
- description中给正反例比只写一句有效
- 正则只管格式，语义仍需服务端校验
格式约束的双层机制：描述引导与正则声明
工具schema对自由文本的约束核心，是把“任意字符串”收敛成下游解析器能处理的格式子集。pattern正则限定字符集合与结构，但过强会让模型频繁生成不合规参数。更可靠的是同时在description中给出语法和一两句具体示例，让模型看到真实合法形态。minLength防空值，maxLength防超长解析。
对查询语句这类开放字段，正则只限字符集，真正决定格式的是模型对描述的解读。把描述写成“支持空格分隔关键词，可用lang:python限定语言，未知关键词将报错”，等于给模型一个推断边界。模型输出是概率采样，正则不会在推理中执行，所以约束分两层：描述引导生成，正则作服务端校验声明，二者必须配合。
代码搜索工具的query字段约束工程
代码搜索工具的query字段约束：minLength为3，maxLength为200，pattern限制英数字、下划线、连字符与空格，description写明支持lang:python。用户问“超时设置”时，模型可能生成timeout，也可能生成中文串超时设置被拒。服务端硬校验拦住后者。
失败时把tool_result返回，附可接受示例“请用英文，试写timeout”，模型通常下一轮修正。maxLength挡住超长输入。允许一次重试，若再次失败则结束并记录样本，避免无限循环。
约束易失效的条件与应对
失效情形常见三种：模型遵循度弱时乱传；用户语言与字符集不匹配导致生成被拒；正则写得太紧误杀本可修正的合法表达。边界在于schema的约束强度不能超过下游解析器的宽容度，否则许多合法请求被无谓拦截。
对策是放宽pattern字符范围，服务端先做归一化（全角转半角、去多余空白），无法解析再让模型澄清。失败反馈应给出可复用修正模板，不能只说“格式错误”。判断操作性：一条失败调用能否在两次消息内被修正，若不能则需重设计字段或描述。
容易答错的地方
- 只用pattern就能解决问题
- 正则只能匹配字符形态，句子级语法和意图乃至模型对正则的推断偏差仍会导致不合规参数。必须配合描述中的示例和长度边界，并在服务端再次解析确认，不能把schema正则当作唯一校验。
- description写得越详细越好
- 过长的描述会让模型抓不住重点，反而增加生成错误。应把关键语法放最前，示例紧跟其后，控制在一两句内。比起长段落，少数具体正反例对模型引导作用更明显。
面试官还会怎么问？
为什么自由文本不用enum枚举？
enum适用于有限且稳定的取值集合，查询语句是开放集合无法枚举。用enum会迫使模型补一个不存在的词或直接拒绝调用。应依靠pattern、长度和描述引导，必要时附加“若不符合预期请向用户询问”指令。
校验失败后应如何反馈给模型？
返回结构化错误并附一条可接受示例，例如“参数含不支持的字符，请改用这种写法：...”。让模型有参照就能修正，错误信息不能暴露内部堆栈，只说约束要求。
pattern约束应该放在客户端还是模型输入？
模型侧无法执行正则，它是通过schema文本间接理解。因此pattern要在schema中声明，并在服务端做硬校验，两者缺一不可。客户端校验只省往返，服务端才是最终防线。
参考资料
示例用于理解所注明的运行环境与边界；延伸学习可结合原文中的更多案例。