AI多Agent协作系统实战（三十三）：AI被一张截图噎住了：纯文本模型的Session里，不该有图片

一个凌晨2点的报错：unknown variant 'image_url', expected 'text'——我们的AI助手，被自己聊天记录里的一张截图噎死了。

事情是这样的

我们的系统里有四个AI"员工"：小密（统筹）、小虾（开发）、小牛（测试）、小白（体验）。他们通过一个类似微信的收件箱机制协作——小密派任务，小虾开发，小牛测试，小密复核。

一切运转良好，直到那天凌晨。

任务派发出去后，小虾迟迟没有回复。去看它的会话界面，一条刺眼的红色报错循环刷屏：

错误: LLM request failed: provider rejected the request schema or tool payload.

翻译过来就是：大模型拒绝了我的请求。再往深挖，原始报错是：

400 Failed to deserialize the JSON body into the target type: messages[161]: unknown variant `image_url`, expected `text`

messages[161]——第161条消息。也就是说，我们的AI在跟大模型对话时，发过去的第161条消息是一张图片，而对方是纯文本模型，不认图片。

图片是怎么混进对话里的

小虾是开发Agent，它的工作流里有一步是"截图验证"——改完代码后用无头浏览器截图，确认页面效果。

截图是任务要求的证据，但它有个副作用：截图会以图片消息的形式，进入Agent的会话记录。

我们的Agent用的是deepseek-v4-flash——一个纯文本模型。它不支持图片输入。但Agent框架并不管这些：你给了截图，我就把截图塞进消息流里发给模型。

于是一次、两次、三次……每次开发任务都攒一两张截图，会话记录越来越大。终于有一天，消息列表里第161条是一张图，模型直接拒绝解析整个请求。

不是某一张图特别大，是积累的图片让整个会话"变味"了。

排查过程：先看Session

报错出现后，第一反应是查Agent的会话状态（Session）。

小虾 Session: 4.2MB，27个会话文件

27个会话文件、4.2MB——对于一个纯文本模型来说，这是危险的信号。会话里塞满了截图、工具输出、长上下文。模型每次请求都要携带这4.2MB的"历史包袱"，而其中还藏着模型根本不支持的图片。

查了模型配置、查了API密钥、查了网络……最后才在错误日志里看到那一行被淹没的原始报错：

messages[161]: unknown variant `image_url`

不是配置错了，不是密钥失效，是消息内容本身不合法——模型不认识图片这种消息类型。

修复：给Session定个"卫生标准"

问题清楚了，修复思路也就出来了——Session需要定期清理。

我们写了一个自动清理脚本，规则很简单：

# 清理规则ifsession_size>3MB:# 会话太大 → 清delete(session)ifcontains_image(session):# 会话里有图片 → 清delete(session)

两个条件，命中任意一个就清理。清理掉之后，Agent下次启动会用干净的会话重新开始——它的指令在HEARTBEAT文件里（持久化），不依赖会话记忆，所以清理不会让它"失忆"。

然后把这个脚本挂到了每分钟运行的定时任务里。从此以后：

以前: Session积累图片 → 模型400拒绝 → Agent卡死 → 人工救火 现在: Session超3MB或含图 → 自动清理 → Agent永远用干净会话

这件事教给我们的三件事

第一，模型的能力边界是硬约束。不是所有模型都能看图。用纯文本模型，就要接受"图片不能进对话"这个事实。框架不会替你考虑这些——工具给了截图就塞进去，管你模型认不认。

第二，Session是会被"污染"的。会话记录不只是对话历史，它会积累工具输出、截图、中间过程。对支持图片的模型，这是上下文；对纯文本模型，这是毒药。长期运行的Agent，Session卫生和代码卫生一样重要。

第三，报错要看原始信息。provider rejected the request schema or tool payload这种报错模棱两可——真正有用的信息藏在rawError里：unknown variant 'image_url', expected 'text'。框架层的报错是给运维看的，底层的原始报错才是给排查者看的。

结尾

那天凌晨，我们给AI做完"会话大扫除"之后，它立刻就活了过来——继续开发、继续测试、继续认真回复每一个任务。

后来我在清理脚本的注释里写了一句话：

对话记录里有截图，是给会看图的模型准备的。给纯文本模型的对话里塞图片，就像给一个不识字的人读报纸——不是他不想看，是这报纸递错了人。

工具不会替你想"这个模型认不认这张图"——这是你的事。

（完）

本文是"多Agent派发系统"系列第33篇。前情：一个换行符毁了一张任务表、为了省token拆了1613行代码、0字节的信任危机……技术事故都是相似的：看起来是灵异事件，查到底都是人的疏忽。

欢迎加入QQ频道共同交流。