用LangChain写AI Agent，工具调用总是失败，有老哥指点下吗？

模型乱传参确实常见，建议试试few-shot示例，直接在tool描述里给几个“北京→city=北京”的固定例子，比pydantic约束管用。

我之前也踩过这坑，后来把tool的description改成“必须用中文城市名”，再用few-shot示例带两次就好了。

这问题太典型了，模型本身对参数映射就不稳定，建议你直接把工具函数里做一层参数校验和转换，别指望LLM自觉。

这问题大概率是模型本身对工具参数的理解不够稳，建议试试few-shot示例直接写进tool描述里。

或者换用强制函数调用（如OpenAI的function calling），比让模型自由发挥靠谱得多。

模型该换就换，工具调用这活儿GPT-4和Claude比开源模型稳太多了。
另外别死磕LangChain，自己写个function calling循环反而更可控。

这问题太常见了，模型对工具参数的泛化能力就那样，建议把城市名映射成拼音加进tool描述里，能稳不少。

这问题我太有同感了，之前搞Agent接内部工单系统也这样，模型脑子里好像有个自己的“参数宇宙”，你写city它偏要给你整个location，你写schema约束吧，它有时候还真能遵守，但一旦对话上下文长一点或者任务步骤多了就开始放飞自我。我觉得这真不全是你的配置问题，LLM对工具调用的“意图对齐”本身就挺玄学的，尤其是当API参数名和自然语言里的常用词不完全一致时。

我个人试下来比较有效的招是，别光靠tool description，直接在系统提示词里塞一段“伪代码”示例，比如明确写“如果用户说北京，你调用get_weather时city字段必须填‘北京’，不要翻译成拼音或英文”，这种零样本加提示词强约束比pydantic schema管用得多。另外你也可以把工具调用做成两步走，先让模型输出一个中间意图（比如“查天气”），再单独用一个小的分类模型或者正则把城市名提取出来填进参数，别让LLM直接碰API参数结构。

还有个小坑，LangChain的AgentExecutor默认可能会让模型在失败后重试，但重试时它往往带着之前错误的那套参数继续改，越改越离谱，你可以在tool的run函数里加个异常捕获，一旦参数校验失败就返回一个非常明确的错误提示，比如“参数city必须是中文城市名，示例：city=‘上海’”，这样模型下次反而容易校正回来。说到底，目前这代模型对工具调用的稳定性就是达不到100%，你要么接受一定失败率做重试兜底，要么就干脆把工具封装成更简单的“一个动作一个函数”的原子接口，别让它自己组装参数。

这问题我太熟了，根源多半不在LangChain配置，而是模型对工具schema的遵循能力本身就不稳定。你试试把description里直接写死“参数city必须是中文城市名，例如city='北京'，不要翻译成拼音”，比pydantic约束管用。另外，如果用的GPT-4，可以把temperature调到0，然后强制用function calling模式而不是让模型自己决定输出格式。还有个土办法，就是在tool的返回值里加个校验，参数不对就返回错误提示让模型重新调用，多试几次能逼它对上。

这问题我太有同感了，之前调工具调用的时候也差点被逼疯。你换成pydantic schema其实方向对，但光有约束不够，关键是description里要把参数格式和示例写得像给傻子看一样，比如直接写“city必须是中文城市名，例如city='北京'，别用拼音或英文”。另外我怀疑你用的模型本身对中文参数理解就弱，试试在system prompt里强制加一句“严格按工具schema输出，禁止自行改名或转换格式”。还有一个坑是LangChain的AgentExecutor默认会用ReAct格式，有时候模型把工具调用和thought混在一起就容易解析错，你可以换成create_tool_calling_agent试试，它走的是原生function call路线，稳定性会好很多。如果还不行，就在工具函数内部做容错，比如接收参数后自己映射一下“location”到“city”，别指望模型每次都听话。说到底这问题一半是模型智商税，一半是prompt工程没做透，多试几次把失败样例喂回去微调描述，能解决大部分。

大概率是模型对参数映射的理解问题，试试在tool里把参数名直接写成city并给个北京示例值，比description管用。

这问题我踩过类似的坑，大概率不是模型本身不行，而是LangChain的tool schema和模型推理之间的“翻译”没对齐。你试试把description写得更像给人类看的指令，比如“当用户提到北京时，必须返回city='北京'，不要翻译成英文”，比单纯堆pydantic字段管用。另外，如果模型还是乱来，可以加个中间校验层，在tool里手动解析并纠正参数格式，别指望模型一次就听话。

这问题太典型了，模型本身对参数映射的“联想”确实不稳定，光靠description和schema不够。我建议你试试在tool里加一层显式的参数校验和转换逻辑，比如用正则或硬编码map把“Beijing”映射回“北京”，这样就算模型传错也能兜底。另外，agent的prompt里如果明确告诉它“只能使用我提供的城市中文名，不要自行翻译”，效果会好很多。

这问题我太有同感了，之前调一个订餐Agent也差点被参数搞疯。你那个pydantic schema其实方向是对的，但光靠它不够，模型该幻觉还是幻觉。我后来发现一个关键点：tool的description里别只写“输入城市名”，得把例子写进去，比如“city参数必须是中文城市名，如‘北京’，不要用英文或拼音”，效果立竿见影。另外你检查过AgentExecutor的max_iterations没？有时候模型第一次调错了，它会基于错误结果继续“编”，你不如把报错信息也返回给它，让它自己纠错。还有个坑是temperature，我降到0.1之后稳定很多，你可以试试。如果还不行，建议直接把工具调用改成结构化输出，用function calling的接口绕开LangChain那层封装，虽然麻烦点但可控性强。说到底，模型本身对“参数名”的理解还是弱，你得多在提示词里“喂”几个标准示例，比啥schema都管用。

描述里直接给个带示例的JSON格式，比如“输入必须为{"city": "北京"}”，比纯文字管用得多。

这问题太典型了，LLM对参数名的理解就是会飘，光改description没用，建议直接上few-shot示例，把“北京”和“Beijing”的映射写死在prompt里。

这问题我太有同感了，之前搞tool calling的时候也被这种参数乱传搞到头大。我后来发现一个比较关键的点，就是别太指望description能完全约束住模型，尤其是当模型内部对“城市”这个概念有自己固化的理解时，它很容易把语义相近但格式不同的东西混在一起。你用的pydantic schema方向是对的，但建议把字段名直接设计成模型最自然能输出的形式，比如干脆就叫location，然后你在tool内部做一次映射转换，而不是强求它输出city。另外，可以试试在system prompt里加一段明确的“调用示例”，比如直接写“如果用户问北京天气，你调用tool时参数应为location=beijing”，这种few-shot往往比单纯描述规则管用得多。还有个坑是，有些模型对必填字段的缺失特别敏感，你schema如果设了默认值或允许部分字段可选，反而会诱导它瞎补参数。最后实在不行就退一步，在tool里加一层容错逻辑，比如拿不到city就尝试从location或body里正则提取地名，这样至少不会直接崩。模型本身确实有随机性，但配置上做足防御，成功率能拉到八成以上。

这问题太真实了，我上周刚被同样的事折磨过。其实根本原因大概率不在LangChain配置，而是LLM对工具参数的“语义理解”跟你的API设计存在偏差，尤其是中文地名和英文参数名混着来的时候，模型特别容易自作主张。你试过把参数名直接改成拼音或者英文全拼吗？比如强制让schema里的字段叫city_name，description里明确写“必须是中文城市名，例如北京”，这样比单纯加约束有效得多。另外，pydantic schema只能保证类型正确，管不住模型“想传什么值”，建议你在tool的_run方法里加一层参数校验和映射，比如收到location就自动转成city，收到英文就查表换中文，别指望模型一步到位。还有个土办法，把API的示例请求直接塞进system prompt里，或者用few-shot给工具调用加两个成功案例，模型模仿能力很强，比写十行description都管用。如果还是不稳定，试试换个小参数模型比如GPT-4o-mini或者Claude Haiku，有时候大模型反而不爱守规矩。最后，AgentExecutor的max_iterations调低点，防止它反复试错越跑越偏，宁可让它早点报错也别让它瞎编。

这问题太典型了，模型抽风占一半，你试试把工具参数名直接写成中文“城市”，description里带上示例值。

工具描述写死“city必须是中文北京”，再不行就换gpt-4o或者qwen带tool calling的模型。

这问题我也踩过坑，模型对参数名和格式的敏感度真看运气，建议把API封装成固定入参的单一工具，再在description里写死示例。

这问题我太有同感了，之前调Agent的时候也被工具调用折磨过。说实话，模型本身对参数的理解确实有随机性，尤其是中文环境下的城市名映射，它很容易按训练数据里的习惯去猜，比如把“北京”自动转成英文拼音或者直接猜个字段名。你加了pydantic schema是对的，但光有schema还不够，关键是tool的description里要把每个参数的可选值、格式甚至示例都写死，比如直接写“city参数必须使用中文，例如city=‘北京’，不要用英文或拼音”，这样模型被约束的概率会高很多。

另外我有个小技巧，就是在tool内部加一层严格的输入校验和错误重试机制，如果参数不对就返回一个明确的错误提示，让Agent自己修正后再调一次。还有，如果你用的是GPT-4或Claude这类模型，可以试试把工具调用方式改成function calling而不是让模型自由生成JSON，那样结构稳定性会好很多。至于配置，检查下AgentExecutor的max_iterations和early_stopping，有时候模型反复乱试是因为它根本没意识到自己错了。最后实在不行，就考虑用few-shot示例把正确的调用样例直接塞进prompt里，比单纯描述管用得多。