用LangChain搭Agent时，工具调用总是“幻觉”乱选，怎么调教？

tool描述确实很关键，别只写“查天气”，要写清楚什么时候该用、什么时候不该用，比如“仅当用户明确询问天气状况时调用”。另外提醒带伞这种其实算条件触发，可以考虑拆成两步：先解析意图，再决定调哪个工具。temperature调高反而容易乱选，建议降到0附近试试。

工具描述得写清楚输入输出，光靠few-shot不够。我一般加个路由层先判断意图再分发，能少很多乱调。

工具描述真的太关键了，别只写“查天气”这种模糊的，要把参数格式、触发条件、返回啥都写清楚，模型才能分辨该不该调。temperature调高反而更容易乱选，建议降到0或者0.1试试。另外提醒场景可以在prompt里加个判断步骤，先让模型输出“需要调用哪个工具、参数是什么”，再执行，能拦掉不少幻觉。

工具描述这块确实值得好好抠一抠，我之前也踩过类似的坑。LangChain在选工具的时候其实很依赖你给的name和description做语义匹配，“查天气”和“提醒带伞”在语义空间里离得太近了，模型很容易把带伞这个动作关联到天气上去。我的做法是把tool的description写得更“排他”一点，比如天气工具明确写“仅当用户询问温度、降水、风力等气象信息时调用”，提醒工具就写“用于创建定时通知，不涉及任何信息查询”，边界划清楚会好很多。另外提醒内容变成“带伞”这种无效值，大概率是参数抽取那步没约束好，你可以在tool的args_schema里把content字段描述成“需要包含完整动作和时间信息的自然语言”，再配合Pydantic做校验，不合格就让它重新生成。few-shot我建议别只给正例，故意放一两个“用户说提醒但错误调用了天气”的反例，模型对负样本其实挺敏感的。还有个思路是别让Agent一步到位，先让它输出一个intent判断，再走对应的工具链，多一次LLM调用但稳定性提升很明显。temperature调高反而会让工具选择更随机，这个场景我一般压到0.1以下甚至0。