用LangChain搭Agent，工具一多就频繁调用失败，是我的Prompt写得太烂吗？

工具描述的顺序和措辞确实影响很大，我之前三个工具时也翻车，后来把每个工具的开头都写成“当用户需要xxx时调用”，再按使用频率排个序，成功率明显上来了。另外temperature调低到0.1左右反而更稳，调高只会让它更爱瞎编参数。ReAct不一定更省心，你这情况先试试给每个工具加个“必须参数示例”会不会好点？

工具描述里加几个few-shot示例试试，顺序改成高频优先，比调temperature管用。
我前两天也这样，后来发现是参数schema写太死，放宽点就稳多了。

碰到过一模一样的坑，后来发现跟prompt关系真不大，大概率是工具描述里参数名和格式写得太模糊，模型解析的时候就容易瞎猜。建议你试试把每个工具的description写成带具体示例的JSON格式，比如“参数city必须是字符串，如'北京'”，这样比单纯堆措辞稳定得多。另外ReAct对工具多的场景确实更稳，但你这三个工具其实没到必须上思维链的程度，先检查下是不是工具返回结果没被正确解析成Agent能读的格式。还有个小技巧，把常用工具放前面，模型选择优先级会高一些，你可以先这么调调看。

说实话你这个问题我太有共鸣了，之前用LangChain挂五个工具的时候差点把头发薅光。后来我发现真不全是Prompt的锅，模型对工具描述的敏感度远比你想象的高，尤其当工具功能有重叠时，比如“查天气”和“搜天气新闻”，它自己就会懵。我后来把每个工具的description强制改成“当用户问X时使用此工具，绝不要用于Y”这种带排除法的句式，成功率立刻上来了。另外temperature千万别调高，Agent任务里它只会让模型更发散，我直接锁到0.1，参数乱传的情况少了大半。还有个小技巧，就是给每个工具名加个前缀，比如“weather_now”和“reminder_set”，让命名本身就有动作指向性，比光靠描述强。如果你试完这些还不行，那可能真得考虑换ReAct的prompt模板，LangChain默认那个太精简了，我后来自己写了个带“思考-行动-观察”三步强约束的版本才稳定。不过说真的，如果你工具数量再涨，还是建议上LangGraph或者直接手写状态机，ReAct在多轮调用时那个上下文越长越容易抽风。先别急着怀疑自己写prompt的能力，多换换结构比死磕措辞管用。

说实话，三个工具都崩大概率不是prompt的问题，LangChain那层tool calling的封装本身就容易埋坑。你查一下是不是工具返回的格式不统一，比如有的返回纯文本有的返回JSON，模型解析时就会抽风。我上次就是被一个返回里带换行符的工具搞到怀疑人生。另外可以试试把工具描述写得更像“给API文档加注释”那种风格，别用自然语言讲故事，模型对结构化描述反而更稳。

描述顺序影响挺大的，试试把工具名和参数示例写具体点，再给每个工具加个使用场景说明。

我之前也卡在这过，三个工具反复横跳选错，后来发现跟temperature关系真不大，主要是工具描述的区分度不够。你把每个tool的description写得更“极端”一点，比如明确带上触发场景和负面排除，效果会立竿见影。另外ReAct不一定比默认plan-and-execute稳，有时候反而因为推理步数多更容易跑偏，不如先试试把工具调用改成强制指定，比如在prompt里让模型先输出工具名再验证参数。你用的哪个模型？有些小模型对多工具天生不敏感，换个强点的推理模型可能直接解决。

我之前也卡在这过，后来发现temperature调低到0.1左右反而稳很多，太高会让工具参数随机性变大。另外你试试把工具描述改成“动作+参数示例”的格式，比如“查天气，输入城市名如北京”，比单纯写功能说明要准。ReAct不一定能救你，重点还是看模型对工具意图的区分度，三个工具如果功能有重叠，顺序和措辞确实会放大误差。你用的是哪个模型？换gpt-4o或claude这类指令跟随强的可能直接就好了。

工具描述别写太长，越啰嗦越容易选错，精简到一句话反而稳。