我厌倦了AI代理拥有“上帝模式”，所以我为Python构建了一个工具防火墙。

我一直在用AI代理和MCP工具开发，有个问题始终困扰我：我们给代理赋予真实能力的速度，远快于给它们设定安全边界的速度。所以我做了 **ToolRampart**，这是一个开源的 Python 框架，位于你的代理和 Python 函数之间。思路很简单：你的代理可以调用有用的工具，但每次调用都可以经过以下约束： * Pydantic 输入验证 * actor 作用域 * 自定义策略检查 * 高风险操作的审批流程 * 幂等键用于重试 * 速率限制 * 超时/重试 * 可选的子进程隔离 * 输出验证 * 脱敏审计日志 * 可选的 OpenTelemetry * MCP 兼容的工具暴露 说白了就是：**面向安全 AI 工具的 FastAPI。** 简单示例： ```python from toolrampart import require_approval, scope, tool @tool("billing.refund") @require_approval(over_amount=500) def refund_user(user_id: str, amount: float, reason: str) -> dict: return {"status": "refund_started", "user_id": user_id} ``` 然后运行： ``` toolrampart serve my_tools ``` 目前是 alpha 阶段，所以我不会假装它是什么久经考验的企业级安全产品。我真正想要的是来自那些正在构建代理、MCP 服务器、内部工具、支持机器人、运维机器人，或者任何让 LLM 接触真实系统的人的真实反馈。 我想解决的问题是：**“LLM 想调用函数”和“函数实际运行”之间，应该存在什么？** GitHub/文档链接在评论区。欢迎大家给出尖锐反馈，尤其是关于安全模型、API 设计以及下一步应该添加哪些集成方面的意见。