模式矩阵 /模式白皮书/A4

文档状态：本页为公开评审稿。模式定义与分类可供讨论和引用；未附来源链接的数字与应用示例只用于说明机制，不作为行业基准。

问题

前面四个模式都在教 agent "怎么干对"，但生产级 agent 还要回答另一个问题：干错时怎么挡住。某银行的对公转账 agent 上线第三周，把客户邮件里的账号"...XX23"解析成了"...XX32"，一笔 320 万元转到错误账户，12 小时后才被对账系统抓到，对方已提现一部分。整个过程 agent 自信地完成，没有任何检查环节——调用前没人核账号、核金额、核客户意图，调用后没人复核到账和合规。

问题不是 agent 笨，是没有夹层防护。OWASP 2026 年正式发布的 Agentic Top 10 里，A1（Agent Goal Hijack）和 A2（Tool Misuse）说的就是这件事；调研显示 88% 的组织至少出过一次 AI agent 安全事故。这不是会不会出事的问题，是哪天出事的问题。Guardrail Sandwich 给每个 destructive 动作套上结构化的事前事后审查，让事故在执行前被拦下、或在执行后被回滚。

分类依据：行动 × 层级

• 纵轴 · 行动：它包装的是 agent 的动作执行——在工具调用的前、中、后插入守卫，属于行动端的执行控制。
• 横轴 · 层级：pre-guard → tool call → post-guard 是一个层级包装结构，与 Web 框架的 middleware 完全同源——一层夹一层，外层先于内层执行、后于内层收尾。它和规划-执行（A2）虽同涉分层，但方向不同：A2 是"战略-战术"分层（先想后干），A4 是"安全-执行"分层（先审后干）。

解决方案与机制

最优工程实现是 hook——一个 hook 能 wrap 任何工具，配置一次、全 agent 受益，不用每个工具改一遍代码。Claude Code 的 hooks 系统铺了 12 个生命周期事件，最核心的是一对：

• PreToolUse：工具调用前触发，是整个系统里唯一能 block 的 hook（退出码 2 直接阻断）。能拦截、改参数、加 context。典型用例是路径白名单、命令黑名单、quota 检查、approval gate。
• PostToolUse：工具调用后触发，不能 undo 已发生的动作，只能验证 output、提示下一步、触发审计或 saga 回滚。典型用例是 output schema 校验、敏感数据扫描、副作用确认。

落地有三条关键纪律：

• 按 risk_level 分级：读操作可以裸跑，不该套夹层；普通写挂 2 到 3 层；destructive 全套；金融、医疗这类 CRITICAL 动作全套加 Approval Gate。hook 配置文件本身就是 agent 的风险地图。
• hook 顺序按"便宜先、贵的后"：RBAC 检查（一次 dict 查询）排前面快速失败，AML 扫描（要查反洗钱库）排后面，省算力。
• 三阶段部署：周 1-2 monitor mode（只 log 不 block，收集误报样本）、周 3-4 soft enforcement（拦明显违规、flag 边缘 case）、月 2 起 full enforcement。直接上 full enforcement 会让 agent 卡死、严重影响业务方使用——guardrail 调参和机器学习调参一样，必须在线收集数据再调。

适用条件

• 有副作用且错调代价高的动作：转账、删数据、发消息、调外部 API。读操作（read file、search、fetch 只读）不必套——每加一层都是额外的延迟开销。
• 强合规的垂直领域：金融、医疗、法律、政府。这类场景的硬约束（金额阈值、处方剂量、制裁名单）可以 1:1 编码进 pre-check。
• 与 Approval Gate 配合的混合把守：低风险动作走 sandwich 自动放行，高风险动作 sandwich 加人工审批双重把守。

已知失效方式

• Composition Bypass（组合绕过）：单个动作每个都被允许（读文件、base64 编码、写 URL），串起来就是数据外泄。单点检查全过，因为它不分析序列。研究显示一个被攻陷的 agent 4 小时内能污染 87% 的下游决策，大半因此。应对是除了单点 hook，还要加 session 级的 scope analyzer，分析过去几分钟动作组合是否构成已知攻击模式——这是 LLM 时代的 SIEM。
• Sandwich Overhead Tax（夹层税）：所有工具一律套全套夹层，整体延迟涨 5 到 10 倍。读文件套 RBAC 加 AML 加审计是巨大浪费。应对是严格按 risk_level 分级，LOW 直接放行。
• Schema Drift（schema 漂移）：pre-check 校验的 schema 和下游工具实际期望的不一致，导致 pre 通过、tool 跑挂。应对是用 OpenAPI / JSON Schema 做 single source of truth，两边从同一份 schema 生成校验逻辑。

三种失败共同的根因是：Guardrail Sandwich 不是 plug-and-play，是工程治理——装上 hook 不等于做对治理，必须持续维护 hook 顺序、风险地图、schema 同源，就像数据库索引加了能跑快、不维护就成累赘。

验证指标

• block 率（monitor 阶段观察，full enforcement 后健康区 <5%）：直接上 full enforcement 时第一周 block 率常超 30%，那是阈值没调好的信号。
• 误转账 / 错调率（健康区随业务定，金融场景 <0.01%）：银行案例从 0.3% 降到 0.001%。
• 夹层延迟开销（健康区与 risk_level 匹配）：金融全套 6 hook 约增加 800ms，是合理代价；读操作若也涨这么多就是夹层税。
• 审计留档完整率（健康区 100%）：trace_id 串联全程，金融场景留档 7 年。审计是 sandwich 的副产品，不是额外功夫。

参考实现

wrap(tool, ctx):
    for hook in pre_hooks:            # 顺序: 便宜先，贵的后
        verdict = hook(ctx)
        若 verdict.block → 短路返回 blocked + trace
        若 verdict.改参数 → 更新 ctx.args
    result = tool(**ctx.args)          # 在隔离 sandbox 内执行
    for hook in post_hooks:
        verdict = hook(ctx, result)
        若 verdict.rollback → 触发 saga inverse，返回 rolled_back
        若 verdict.改结果 → 更新 result
    返回 ok + result + 完整 trace（每个 hook 的 passed/reason/延迟）

工程落地要点：所有 destructive 工具都用它包一层；hook 要 idempotent（重试安全，网络抖动不能让钱转两次）；trace_id 落库做审计串联键。

应用示例

银行对公转账 agent 给所有 destructive 工具套上 sandwich，落地为六个决策点。pre 层：RBAC 权限校验、金额阈值三档分诊（10 万以下自动 / 10 到 100 万短信确认 / 100 万以上人审）、收款账号白名单匹配、制裁名单事前扫描。post 层：反洗钱事后扫描（高度可疑自动 saga 回滚、中度可疑 flag 给风控）、审计日志 7 年留档。hook 顺序极其关键——金额分诊在白名单之前，但都必须在制裁扫描之前，因为制裁是法律红线。装上之后误转账率从 0.3% 降到 0.001%，每笔交易延迟从 2 秒涨到 4 到 5 秒。回到开场，account_whitelist 这一层会先抓住"...XX32 不在客户白名单内"并要求短信二次确认——一个 hook 配置一次，挡掉一类事故。同一套结构换到医疗就是角色权限、处方剂量阈值、病史白名单、FDA 黑名单、药物相互作用扫描、HIPAA 审计——业务约束变了，模式不变。

相关模式

• 工具调度（A1）：嵌套互补。A1 的 quota、state refresh 是 dispatch 内置的轻量守卫，A4 是套在 dispatch 前后的通用夹层——A1 选对工具，A4 保证选错时也兜得住。
• 规划-执行（A2）：A2 plan 里的审批节点和合规校验，落地时常由 A4 的 pre-check 实现。
• Approval Gate（治理模块）：同源但分工不同。Approval Gate 是 human-in-loop（等人按批准），A4 是 deterministic check（机器直接做规则匹配）。两者常配合——低风险走 sandwich，高风险 sandwich 加 Approval Gate。
• 失败日记（感知模块）：组合绕过、记忆中毒这类失败 sandwich 单层挡不住，要配合记忆模块的 audit 一起防。

设计结论

Guardrail Sandwich 把人类几千年的程序正义智慧编码进了 agent 行动层——pre-check 是事前听证、execution 是判决执行、post-check 是事后救济。agent 工程的成熟标志不是 demo 跑得多酷，而是事故发生时它没出事。

企业证据

当前没有与本模式绑定的公开评审案例。模式定义不因此视为已经获得企业验证。

案例收录要求说明业务约束、实现结构、已知失败和迁移边界。参见 贡献与评审规则。