大型语言模型（LLM）代理日益依赖外部工具来扩展能力，但这也引入了新的安全边界：第三方工具可能在接口层面看似无害，而在实现中嵌入不安全行为。现有防御机制依赖弱元数据、将特征描述和策略判断合并为单一决策、或使用缺乏确定性、可审计推理的启发式/LLM强制执行，无法有效处理任务上下文和多工具组合。本文提出ToolGuardian，一个策略驱动的框架，通过预准入审查和任务感知的运行时授权来保障代理-工具交互安全。ToolGuardian采用渐进式特征化方法，将证据转换为结构化事实：描述捕获声明意图，系统调用跟踪暴露粗略行为，模拟执行揭示观察到的效果，源代码分析识别潜在行为。其核心贡献是基于回答集编程（ASP）的声明式策略层，能够显式推理能力、效果、任务上下文和组合。作者使用相同的输入和输出契约，将ASP与基于启发式和LLM的策略实现进行比较。在16个MCP风格工具（包括8个源自真实开源工具的恶意变体）和20个运行时场景上评估ToolGuardian。在准入审查阶段，使用描述、系统调用和观察效果证据，ASP的拒绝类F1得分为0.86，准确率为88%。在运行时授权方面，完全指定的实现能正确分类所有场景，而消融实验显示，移除组合和合规规则会显著降低性能。