智能体调外部函数/工具，最容易被忽略的一环是：返回值你信了它就脏了。接口偶尔少个字段、类型变了、返回个 null，模型拿着脏数据接着往下推，错误一路传导到最终回答。给函数返回值套一层 schema 校验，是我后来必加的护栏。用 Q&A 形式把这事讲清楚。
Q：模型不是挺聪明吗，脏一点的数据它自己能兜住吧？
A：不能指望。我搭的订单查询助手，工具返回里有个amount字段，正常是数字。某次上游接口异常，返回的是字符串"null"（注意，是字符串而不是真 null）。模型拿到后，在回答里算总价时把它当成了某个值，给用户报了个离谱的金额。模型不会替你校验数据合法性，它默认你喂的都是对的。脏数据进去，错误答案出来。
Q：那 schema 校验具体校什么？
A：我至少校三样：
必填字段在不在。约定要返回
order_id、amount、status，少任何一个直接判不合格。类型对不对。
amount必须是 number，来个字符串就拦下。取值范围/枚举合不合法。
status只能是paid/unpaid/refunded里的一个，返回个"成功"这种野值就拦。
我用一个 JSON Schema 描述期望结构，工具一返回就先过校验，过了才让模型用：
{ "type": "object", "required": ["order_id", "amount", "status"], "properties": { "order_id": { "type": "string" }, "amount": { "type": "number" }, "status": { "enum": ["paid", "unpaid", "refunded"] } } }Q：校验没过怎么办，直接报错给用户？
A：分情况，别一刀切报错。我的处理是：
字段缺失/类型错 → 先重试一次工具调用，很多时候是上游瞬时抽风，重试就好了。
重试还不过 → 不把脏数据给模型，而是给模型一个明确的"这次没拿到有效数据"的信号，让它礼貌地告诉用户"订单信息暂时查不到"，而不是硬编。
枚举越界这种 → 我会做一层兜底映射，比如上游偶尔返回中文"已支付"，我映射成
paid再放行，而不是直接拒。
最忌讳的是校验不过就把原始脏数据透传给模型——那校验白做了。
Q：实操有什么坑？
A：几个真的。
一是别把 schema 写太死。我一开始把每个字段都设成必填，结果上游一个可选字段偶尔不返回，校验天天报红，其实那字段压根不影响回答。后来分清楚"核心字段必填、辅助字段可选"，误拦才降下来。
二是校验位置要在"工具返回后、喂给模型前"，这个夹缝里。放早了工具还没返回，放晚了脏数据已经进模型了。
三是个我交过学费的细节：嵌套对象要递归校验。我最初只校了顶层字段，结果items数组里某个元素的价格是脏的，顶层看着挺好，模型用到明细时还是出错了。该往里钻就得往里钻。
Q：值得为这个花精力吗？
A：值。说个取舍——加了校验，确实会偶尔出现"上游其实数据没问题，只是格式跟我 schema 约定有点出入，被误拦了"的情况，需要回头放宽规则，有维护成本。但比起脏数据悄无声息混进回答、最后用户拿着错误金额来找你，这点维护成本太划算了。脏数据的可怕在于它不报错、只是默默错，schema 校验就是把"默默错"变成"明确拦"。
这套工具返回值校验，我是在一个零代码、还能把成品发布成 API 的平台上配的——工具节点后面挂一个 schema 校验节点，不过就走重试或兜底分支，逻辑拖出来连一下就成，不用自己写一堆 if-else 防御代码。
模型推理走的讯飞星辰 MaaS，现成 API 调，没自己搭算力。
