第八节：边界控制与防幻觉——输入校验与容错处理
引言
上一章，我们像一位产品经理，精心打磨了技能参数的“用户体验”，让用户用得更顺手。然而，一个真正可靠的工业级应用，不仅要能优雅地处理“快乐路径”（Happy Path），更要能从容应对各种“意外”。本章，我们将化身“质检员”和“安全官”，为你的AI技能构建坚固的边界防线，抵御幻觉（Hallucination）与恶意输入，确保其行为始终在可控范围内。
核心理论
大语言模型（LLM）的“幻觉”是指其生成看似合理但实际错误或虚构内容的现象。在技能开发中，这可能导致两种主要风险：
- 输出幻觉：模型基于错误理解或知识盲区，返回了不符合事实或逻辑的结果（例如，将“计算圆的面积”误解为“计算周长”）。
- 输入注入：用户输入可能包含精心构造的指令（Prompt Injection），试图“越狱”或绕过你预设的技能逻辑，操控模型执行非预期操作。
因此，技能边界控制的核心在于：不盲目信任LLM的输入与输出。我们需要在技能逻辑层建立校验机制：
- 输入校验：在用户输入（或LLM解析出的参数）进入核心逻辑前，进行格式、类型、范围、业务逻辑的验证。这好比机场的安检，不合规的“行李”必须被拦截。
- 输出校验/后处理：对LLM生成的最终结果进行合理性检查或格式化。例如，确保生成的JSON结构正确，或数字在有效范围内。
- 容错与引