定西市网站建设_网站建设公司_导航易用性_seo优化

并且错误的花样还五花八门的：

1. description明明写得很清楚，但工具就是不被调用；
2. 工具倒是调用准了，但是工具所需参数又拿不到；
3. 终于最后调好了，模型一个更新，整个系统又被玩坏了；

总结下来就一句：工具调用（Function Calling）总出问题，这个该如何解决呢？大概图示如下：

但具体要回答这个问题，就得从头说起咯，首先我们来看智能体架构的基石工具调用：

一、Agent的本质：函数调用

首先，我们要知道的是，现阶段大模型可以说是很简单的，因他就只有一个API调用，并且只有一个输入/输出：

但他其实很复杂，因为输入内容的背后具有大量的含义，需要我们把各行各业的知识放进去，否则输出很容易不符预期：

现在常见的智能体如Manus也是这个模式，比如最经典的让模型回答天气情况，因为模型本身是没有天气数据的，所以在用户询问天气时候，需要外调工具，这里核心代码是：

tools = [{ "type": "function","name": "get_weather","description": "Retrieves current weather for the given location.","parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "City and country e.g. Bogotá, Colombia" }, ...... }, }}]response = client.responses.create( model="gpt-5", tools=tools, input="今天成都的天气怎么样",)

可以看出来，模型具有哪些工具调用能力，全部是我们预定义好的，模型会根据用户输入，选择使用哪个工具：

# 用户输入user_query = "今天北京天气怎么样？"# 模型会分析：# - 用户问的是"天气" → 匹配到 get_weather 的 description# - 提到了"北京" → 对应 location 参数# - 决定调用 get_weather 函数

而模型是如何判断要调用某个工具呢，答案是根据用户输入与description（名称、参数也会用到）做对比，也就是：

判断“今天北京天气怎么样？”与"description": "Retrieves current weather for the given location."的关联性

于是这里问题也就来了，也就是我们之前学员会遭遇的问题：

这里是存在黑盒的，对于本次对话要不要调用工具、用哪个工具、参数怎么填，这个是没法直接插手的

当前场景简单、工具单一，模型的表现是很稳健的，但生产环境聊天上下文复杂度较高，并且工具数量也很多，这会加大模型工具调用难度，最直接的表现就是 漏调用 → 错调用 → 参数提取错误 → 调用出错

而这里会不会出工具调用问题，从架构设计来说，几乎是必定会发生的，而想要缓解工具调用的问题，只有两个点可操作：

第一，为问题添加更多上下文，以方便模型更好做意图判断，也就是在提示词上做文章；

第二，将Tools的设置，包括描述、参数等信息写得更清晰点；

除此两点之外，还有些“懒加载”策略，每次调用模型前，先做一轮意图识别，只加载需要的Tools，由此降低模型识别压力，但总的来说依旧是在大规则内做小优化。

只不过，出问题不重要，重要是发生得多频繁，如何降低他的问题。

二、意图收敛

如果在生产环境已经表现出了多工具调用出问题，那么就不能将用户上下文一股脑的给模型了，连这种都不能：

帮我查一下最近北京天气怎么样，还有机票贵不贵？然后再给一堆工具：get_weather、search_flight、search_news...

更稳的做法是对用户问题进行改写，把输入整理成一个结构化意图，做一层意图清洗：

# 让模型只做意图识别 + 槽位填充{ "task_type": "check_weather", "city": "北京", "need_flight_info": true}

再根据task_type去决定到底要出几个子任务、每个子任务暴露哪些工具。

换句话说：不要让模型一边理解人话，一边挑工具，一边还要组织答案。

把这些步骤拆开，这也是我们之前介绍的提示词规则单一职责原则，这样操作下来，错误率会降低的同时，出问题也好直接定位到对应提示词。

在落地上，常见的几种意图收敛手段：

1. **固定输入模板：**让用户“填表”做选择题，而不是自由回答，这种方式使用较少，但效果很好；
2. **意图识别小模型：**第一个模型只负责识别任务类型，第二个模型才负责调用工具，如果在成本、响应速度有要求时候，这个是常见选项；
3. **场景分流：**用户入口就分查天气/查订单/问知识，不同入口走不同的工具集；
4. 问题改写，最后也是最常见的方式，会用模型对用户提问基于我们已有工具进行问题改写，这种效果较好，就是消耗Token很凶；

{ "intents": [ { "type": "get_weather", "city": "北京", "date": "最近三天" }, { "type": "search_flight", "from": "上海", "to": "北京", "date": "本周五", "sort_by": "price" } ]}

总结下来就一句话：先认为对问题尽量结构化，再说工具调用。

三、工具收敛

前面说过，工具调用的黑盒部分我们管不了，但工具列表是完全能控制的。

很多时候工具调用最大的问题，不是模型不够聪明，而是你给它的工具太多、太像。这里实操下来，策略也就3个可以分享的：

第一，依旧是单一职责原则，一个工具绝不完成两个任务

# ❌ 多合一大工具"description": "获取天气和航班信息"# ✅ 单一职责 "description": "获取指定城市的实时天气信息"

第二，按场景加载工具包，工具包预定义能少则少

# 不要有一个大 tools = [...] 到处复用weather_tools = [get_weather]order_tools = [query_order, cancel_order] # 每次请求前根据意图选一个小包挂上去

第三，描述和名称，AI要读得懂：

# ❌ 模糊的描述"description": "Retrieves current weather for the given location."# ✅ 清晰的描述"description": "获取指定城市的实时天气信息。当用户询问当前温度、湿度、风速时使用。不适用于查询历史天气或气候特征。"

很多“description明明写得很清楚但就是不被调用”的场景，真拆开看，会发现description根本没有把什么时候用/不用说清楚，还有些时候name与参数的定义非常随意，你如果随意，模型就更随意了！

四、自由收敛

就算意图收敛、工具列表收敛、描述写得再漂亮，最终照样会出问题，原因是前面收敛有些动作也是依赖模型，本来就可能出问题，而更多的情况是参数抽取错误。

换句话说：关键词抽取错误（或者说抽取不稳定），是模型常见错误。

碰到这种情况，要么需要建立飞轮系统，不断根据错误增加知识库数据，不停在提示词加标签；要么会用到微调技术（概率很低）；

而有些时候，我们也会在代码上做处理，加一些验收逻辑，比如各种校验：

def get_weather(location, units='celsius'):# 先校验，再执行if not location or len(location) > 50: raise ValueError("城市名称无效")if units not in ["celsius", "fahrenheit"]: raise ValueError("温度单位不支持")# 工具返回后，检查数据结构是否完整if not response.get('temperature'):# 走备用方案或给用户友好提示return"暂时无法获取温度信息"# 设一个上限，比如每次最多重试2次for attempt in range(2):try:return call_tool()except ValidationError:if attempt == 1: # 最后一次还错 return"抱歉，暂时无法处理您的请求"...# 真正的业务逻辑...

五、工具调用评测集

事实上，所有的Agent，都会需要一个**评测和数据回收。**不然好不好都是抓瞎，甚至每次模型发布、新版本发布，稳不稳定都只能看脸。

而很多人确实也是这样开发Agent的：

1. 本地调试几次，觉得“挺准”；
2. 上线一跑，过几天用户开始骂；
3. 有时候好、有时候坏、还特别难复现；

这种“不稳定感”完全就是缺少评测集所致。而要建立这个测试集也很简单，就是对错误情况进行收集，而收集的第一步就是日志做得足够细，甚至每天有人审查：

一、日志：

# 每次调用都要记下来：log_data = { "user_input": "今天北京天气", "model_tool_call": "get_weather", "model_arguments": {"location": "北京"}, "tool_result": {"temperature": 25}, "final_response": "北京今天25度，晴天", "success": True # 业务标记}

二、人工审查： 从日志里抽样本，标注：

1. 该不该调用工具？
2. 应该用哪个工具？
3. 参数有没有填对？

然后统计：漏调用率、错调用率、参数错误率…

三、根据错误样本做优化，策略也就是我们前面说的几点；

这其实就是数据飞轮在Function Calling上的一个子循环：生产数据 → 错误样本 → Prompt/规则迭代 → 新版本上线 → 再收集数据

六、Skills

然后最近Claude提出了Skills策略，其实他在一定程度也能缓解工具调用错误问题，在Skills策略之前的流程是：

用户输入 → 模型直接在一堆 tools 里挑漏调 / 选错 / 懒得调，常发生在这一层

上了 Skills 之后变成：

用户问题 → 先选 Skill（粗意图路由） → 再在 Skill 里用少量工具 + 既定 SOP模型不再对着几十个工具瞎撞，而是在各种小环境里做判断

其实可以认为Skills将之前我们一部分工程优化做到模型层去了。Skill 可以缓解：选错工具、什么时候调用工具、调用后数据如何处理等问题。

但是碰到用户语焉不详、工具schema一塌糊涂等问题时候依旧没办法。

只不过Skills这东西还不确定其他厂商要不要支持，所以我们后面再具体讨论吧。

七、结语

2025年10月2日，在美国旧金山硅谷举办内部封闭讨论会，有600多人的创业者，AI工程师参与；

而真实信息反馈：95% 的 AI Agent系统，在生产环境中根本用不起来。

并不是因为打模型不够聪明，而是AI工程以及工具层还需要继续努力，最后回归下，我们之前说过：

1. 复杂AI项目的第三难关是意图识别；
2. 意图识别失败，最直观的表现就是：工具调用乱七八糟；

但如果我们从工程的视角拆开看，它无非是几件事：意图收敛、工具收敛、自由度收敛（很多校准）以及一条评测数据集。

上述动作做完也不意味着问题没了，只不过会更心里有数了，如果这样都解决不了，那就换模型或者等模型更新就好，或者我们还有更复杂的策略，如提供上下文的上下文，只不过这确实很复杂了，我们这里就不展开了…

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】