Self-Reflective APIs: Structure Beats Verbosity for AI Agent Recovery
自反思API：结构胜过长文本，助AI Agent恢复
🧭 Agent工具调用错误恢复的API设计 ★ 深度解读
Siemens Digital Industries Software
结构化修复建议让Agent任务完成率提升+36.7-40.0pp，token效率提高1.8-2.2倍。
📌 工作参考价值（4 点）
- 在Agent调用的内部API中嵌入结构化修复建议：当业务规则（如合规、库存、定价）验证失败时，返回 recovery_feedback.suggestions[] 字段，包含具体的参数修改动作和值（如 USE_SPECIFIC_BRAND, expected_amount: 3.5），Agent可直接合并到下次请求，消除LLM盲目猜测的token浪费和失败重试。
- 区分通用验证与领域知识验证来决定是否加结构化反馈：对LLM训练数据覆盖的通用错误（如“需提供无麸质面粉”），纯文本诊断已足够；对领域特有约束（如认证品牌“Bob’s Red Mill Certified GF”、文化规则、实时状态），结构化建议才能解锁恢复。可在API设计时标记规则来源，按需注入修复载荷。
- 在工程实现上采用约20行的轻量契约：遵循Schema v0.1的最小模式，每个校验规则负责产出类型化动作+字面参数，并通过OpenAPI或系统提示告知Agent动作词汇表。该模式增加响应体积仅约11%，却能显著减少平均重试次数。
- 注意结构化建议的适用局限：当诊断文本本身即包含足够概念（如“蛋白霜不应含泡打粉”）时，结构化建议可能冗余；结构化载荷可能引入解析错误（如Agent误将单项建议当成整体重写），需对具体校验器做A/B评估。对于复合动作可能需提供操作语义（如diff格式）而非仅参数字面。