AI 原生开放教材

外观

Zero2Agent：从零实现 Agent课时教程·中文原文 ↗原件 ↓仓库 ↗

参数校验与工具路由 ​

Q：工具描述写得再好，模型也瞎传参数怎么办？ ​

来源：腾讯 Agent 岗终面

新手答：“加强 Prompt，让模型输出 JSON。”

高手答：

三层防线：

  1. Schema 里写“负面描述”：比如“城市名参数，请直接使用用户输入文本，切勿从地址中自行解析提取”。告诉模型不该做什么，比告诉它该做什么更有效。
  2. 输出后做硬校验：用 Pydantic 模型校验，类型不对、枚举值不匹配的直接拒掉，让模型重试。
  3. 关键参数业务兜底：比如查询订单的工具，模型传回的 order_id，必须先调用一次“订单是否存在”的校验接口。绝不让未经核实的 ID 直接下发给数据库。

差距在哪：新手的答案停留在 Prompt 层面——这是最弱的防线，模型不一定听。高手的三层防线是递进的：Prompt 引导 → 格式硬校验 → 业务逻辑兜底。即使模型完全不听话，后两层也能拦住。面试官考的是“你有没有做过需要防御性编程的系统”。

追问：模型调用工具出现参数幻觉或语法错误时，有哪些自动化修正手段？

来源：蚂蚁 AI应用开发 二面

参数幻觉（模型编造不存在的参数值）和语法错误（JSON 格式错误、类型不匹配）是工具调用最常见的两类失败。自动化修正手段分三个层次：

1. 格式层自动修复：JSON 语法错误可以用规则修复——缺少引号、多余逗号、未闭合括号等常见错误有明确的修复规则。不需要模型参与，纯代码处理。

2. 语义层重试：参数值不合法时（如枚举值不在范围内、日期格式错误），将错误信息拼接到 Prompt 中让模型重新生成参数。关键是错误信息要具体——不是“参数错误”，而是“city 参数值‘北京市’不在合法列表中，合法值为：beijing, shanghai, ...”。

3. 降级策略：重试 1-2 次仍失败时，不继续重试（避免 token 浪费），而是降级处理——用默认参数、跳过该工具、或转人工。降级比无限重试更符合生产需求。

Q：你们工具库有上百个工具，怎么让模型快速选对？ ​

来源：腾讯 Agent 岗终面【百度大模型研发二面追问：Agent 如何选择合适工具】

新手答：“把所有工具描述发给模型让它选。”

高手答：

不可能全发，上下文不够，且会干扰。我们做了个轻量级工具路由层：

  1. 用户请求来时，先用 FastText 之类的小模型快速提取意图关键词
  2. 用关键词去工具向量库做语义检索，召回 top 5
  3. 最关键的一步：用一个精调过的 7B 小模型，给这 5 个工具的相关性做精排序，只把 top 2 工具的完整 schema 交给大模型做最终调用

这个流程让工具选择准确率从 ~70% 提到了 95%+。

候选工具超过 100 个时的召回偏差问题：

当工具规模达到百级以上，纯语义检索会出现召回偏差——高频工具的描述被模型见过更多次，embedding 和 query 的匹配度天然更高，导致低频但正确的工具被排挤。

偏差类型表现解决方案
高频偏差常用工具总是排在前面，冷门工具几乎不被召回对工具 embedding 做频率逆加权，降低高频工具的匹配分
描述偏差描述写得好的工具比描述差的更容易被选中统一工具描述模板，确保描述质量一致
语义模糊偏差多个工具描述相似，模型分不清选哪个在描述中加“反面说明”——“本工具不用于XX场景”

更根本的解法是分层路由——不让模型在 100 个工具中直接选，而是先分类再选：

text
第一层：意图分类器 → 5-8 个工具大类（检索/操作/分析/通信...）
第二层：大类内语义检索 → 每类 10-15 个工具中选 top-3
第三层：最终选择 → 模型从 3 个候选中选

每层缩小 5-10 倍，三层下来从 100+ 缩到 3，大幅降低选错概率。

差距在哪：新手的方案在工具超过 20 个时就会崩——上下文被工具描述占满，模型反而选不好。高手的回答展示了一个完整的召回-排序管线（和搜索引擎的架构一样），每一层都有明确的职责。面试官考的是“你能不能把 Agent 的子问题抽象成一个工程问题来解决”。

Q：多工具场景下的调度策略？ ​

来源：阿里 AI Agent 开发一面

新手答：“模型自己选。”

高手答：

多工具场景的核心问题是选哪个、按什么顺序、并行还是串行。

  1. 意图路由前置：用户请求先经过轻量分类器或规则，判断需要哪类工具，不让大模型在全量工具里大海捞针
  2. 依赖分析决定编排：分析工具之间的输入输出依赖关系——无依赖的并行执行，有依赖的串行编排，减少总耗时
  3. 优先级与降级：多个工具都能用时，按可靠性、延迟、成本排优先级；主工具超时自动降级到备选
  4. 结果合并与冲突处理：多工具返回结果可能矛盾，需要合并策略——取最新的、取置信度最高的、或让模型做最终判断

调度策略不是模型能力问题，是工程编排问题——模型负责决策“做什么”，编排层负责“怎么执行”。

差距在哪：新手把调度交给模型“自己想办法”。高手的回答把多工具调度拆成四个环节：路由、编排、降级、合并——每个环节都有明确策略。面试官考的是你能不能把多工具协作从“模型自己选”变成一个可控的工程流程。