工具增强的语言模型代理在推理时依赖接口文本，包括工具描述、参数模式以及候选工具列表。即使底层工具语义保持不变，部署后这些接口也会发生变化，导致函数调用系统的可靠性下降，这一现象被称为 接口漂移。我们评估了一种轻量、无需再训练的修复层能否在不重新训练基础模型的前提下恢复鲁棒性。\
我们提出的 SchemaShield-Lite 包含三部分：\
- 模式校验：检查返回的参数是否符合工具的 JSON schema；\
- 候选集重试：当模型返回的工具名称不在当前候选列表时，尝试在完整候选集里重新搜索；\
- 单次约束修复：在检测到不匹配后，以约束采样的方式一次性生成修正输出。\
在 Qwen3.5-9B 上的实验表明，SchemaShield-Lite 将 DICE-300 的准确率从 0.717 提升至 0.813，将 BFCL-200 的准确率从 0.580 提升至 0.805，分别恢复了 19/22 和 33/45 例因接口漂移导致的失败，且未观察到修复副作用。单纯的重试策略无法解释这些提升。消融实验显示，候选集漂移（尤其是出现干扰工具）是主要破坏因素，而仅修改描述或模式的影响相对较小。\
这些结果表明，验证‑修复 机制可以作为已部署 LLM‑agent 工具使用的实用鲁棒层。\
点评