用Prompt让Agent调用工具时总是乱选参数，怎么调教都不听话，求指点

说实话你这问题我太有同感了，之前调一个订票Agent也卡在参数幻觉上，后来发现光堆few-shot没用，模型对“可选项”的理解跟咱们不一样。我后来是把每个工具的参数拆成独立的子决策，先让它用一句话复述用户意图，再问“现在需要哪些字段”，最后才给工具名，等于把ReAct里的Thought和Action中间加了道强制检查。还有那个乱选工具的情况，八成是工具描述里“搜索”和“计算器”的触发词在语义空间里离得太近，你可以试试把描述改成“仅当用户提到查找信息时才用”，然后加一个“其他情况一律不调用”的兜底动作。不过说实话，哪怕这样也还是有随机性，我后来直接上了个规则层，凡是置信度低于0.7就反问用户确认，虽然体验笨了点但至少不会瞎调。你这儿试试把system prompt改成“先列出所有可用工具，再打勾选择”，强制它走一遍全量对比，比单纯加约束句要稳。另外你多跑几次结果不一样，可能跟temperature设置有关，工具选择阶段我都是直接设成0，你可以对比下看看。

试试把工具选择拆成两步，先让模型只选工具再单独填参，我这么改后乱选少了很多。

试试给每个工具单独写个调用规则，让它先选再填参，两步走能稳不少。
或者把few-shot换成反面例子，专治乱填参数。

这种乱填参数的情况我太熟了，本质上是模型在“生成文本”和“遵守schema”之间没对齐好。你可以试试把参数校验从prompt里挪出来，用代码层做一层强校验，比如pydantic或者jsonschema，模型填错了直接报错让它重试，比在prompt里反复强调有用得多。至于调错工具，我觉得问题可能出在工具描述太像了，搜索和计算器如果都写成“处理用户查询”这种模糊的话，模型很容易蒙。把每个工具的适用边界写清楚，甚至加点反例，告诉它什么情况不该用这个工具，效果会好一些。还有一点，temperature调低一点，最好设成0或者0.1，同一句话结果不稳定大概率是采样随机性在作怪。至于拆子prompt，我觉得如果工具数量不多没必要，拆多了反而容易在中间环节丢上下文。你可以先试试把决策和填参分成两步，先让模型输出工具名，再单独一轮填参数，这样至少能定位到底是选错还是填错。

试试把工具选择单独拆成一步，先让它选工具再填参数，混在一起它容易懵。