AI Agent / 系统课时

工具选择与调用策略

工具选择与调用策略

当 Agent 同时拥有查询、计算和通知工具时,应用要先按事实来源、账号权限和当前任务缩小候选集。模型在候选集中提出动作,策略层再判断这个请求能否执行。

多工具场景下的工具筛选与调用顺序决策流程

同时检查数据依赖和共享资源

先查客户 ID,再用它查询订单,这两步存在数据依赖。两个只读查询没有共享状态约束,且外部系统允许并发时,可以同时发出。两个写操作即使参数已齐,也可能修改同一订单、抢占同一个限额或打乱消息顺序,仍需按业务约束串行,或用事务和并发控制保证一致性。

模型能在一轮提出多个工具调用。宿主应按依赖和权限执行,记录每个调用的结果。Chat Completions 可用 parallel_tool_calls=False 限制模型每轮最多提出一次函数调用,应用自己的任务调度仍要单独检查。

把确认绑定到具体动作

示例只返回策略决策,方便检查边界。应用在收到可信确认后记录操作人、收件人、内容和有效期。更改任一字段要重新确认。

python
from dataclasses import dataclass

@dataclass(frozen=True)
class EmailRequest:
    operator: str
    recipient: str
    message: str

@dataclass(frozen=True)
class Approval:
    request: EmailRequest
    expires_at: int

def authorize(request, approval, now, email_operators):
    if request.operator not in email_operators:
        return "denied"
    if approval is None or approval.request != request or now >= approval.expires_at:
        return "confirmation_required"
    return "allowed"

request = EmailRequest("ops-7", "demo@example.test", "订单已备妥")
approved = Approval(request=request, expires_at=200)
operators = {"ops-7", "ops-8"}

print(authorize(request, approved, 199, operators))
print(authorize(EmailRequest("ops-7", "demo@example.test", "退款已完成"), approved, 199, operators))
print(authorize(EmailRequest("ops-8", request.recipient, request.message), approved, 199, operators))
print(authorize(request, approved, 200, operators))
print(authorize(request, approved, 199, set()))

第一行返回 allowed。修改文案、更换操作者或凭证到期都要重新确认,缺失账号权限则直接拒绝。实际系统从已认证的会话取操作者身份,并由可信服务保存确认凭证。发出通知时,用服务端幂等键处理重试,并在写入前重新核对资源状态。示例只验证决策,不调用邮件服务。

设置可验证的结束条件

获取足够证据、收到已执行的可靠回执、达到工具次数上限、同类错误持续出现,或等待确认,分别对应不同状态。工具超时可能发生在动作已执行后。对写入操作,先查原请求状态或使用同一幂等键重试。日志记录工具名、调用 ID、经过脱敏的参数摘要和结果状态,便于区分等待、失败和已完成。

按自己的节奏,确认真正理解。

目录与阅读设置

记录一个想法

工具选择与调用策略

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通