核心要点
能优化工具描述：每个工具写清晰、互不重叠的 description 和参数说明，模型主要靠语义匹配选工具
能控制工具集规模：保持少而正交，工具过多易选错；必要时分层（先选类别再选具体工具）
能用路由/分诊：先按用户意图用检索或分类器筛出候选工具子集，再交给模型决策，减少干扰项
能加推理与回退：用 ReAct 让模型显式推理"为何用该工具"，失败时观察 Observation 重选或回退到其他工具
标准回答
根因
工具选错多源于描述含糊、工具集过大、功能重叠。模型靠工具名与 description 的语义来匹配任务，输入越乱选得越差。
主要手段
- 清晰描述：每个工具用语义化名称 + 明确 description，说明适用场景、输入输出，避免功能重叠造成歧义。
- 精简工具集：保持工具少而正交；工具多时做分层，先用路由把请求分到某个工具类别，再在子集中选择。
- 路由/分诊：用检索（按工具描述做语义召回）或意图分类器先筛出 Top-K 候选工具，只把相关工具暴露给模型，显著降低误选。
- ReAct 推理：让模型在调用前显式写出"思考→选择理由→行动"，提升选择可解释性与正确率。
工具调用失败或结果不符预期时，根据 Observation 重新选择或回退到备用工具，避免在错误工具上死循环。
常见误区
⚠️ 常见踩坑
把所有工具一股脑塞进上下文让模型自己选——工具一多、描述重叠就会频繁误选；应先路由筛候选、保持工具集正交，并对调用失败设计回退。
追问
追问 1：工具数量到几十上百个时怎么扩展？
不要全量暴露给模型。建工具的向量索引，按当前任务对工具描述做语义检索召回 Top-K，只把候选子集放进上下文；或分层路由：上层分类器选工具类别，下层在该类内选具体工具。这样既控制提示长度，又减少干扰项导致的误选。
追问 2：模型反复选错同一个工具怎么办？
先排查描述歧义或功能重叠，改写 description 让边界清晰；加少量示例（few-shot）演示正确选用；在执行层加校验与失败回退，连续失败时强制换工具或转人工；并把误选案例沉淀进评测集，持续回归验证。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具
- LangChain
最流行的 LLM 应用开发框架，137K+ stars。提供链式编排、RAG 检索增强生成、Agent 构建等核心能力，覆盖 Python 和 JavaScript 双语言生态，是构建 LLM 应用的基础设施