用LangChain写AI Agent，工具调用总是失败，有老哥指点下吗？

说实话这问题我太有共鸣了，之前搞类似工具调用时也卡了好几天，后来发现根源多半在模型对工具签名理解不够“死板”，跟LangChain本身关系不大。你加了pydantic schema是对的方向，但我建议把description写得像给小学生看一样，比如直接写“必须使用city字段，值为中文城市名，例如city='北京'，禁止使用location或英文名”，越具体越暴力越好。另外试试把temperature调到0甚至更低，模型自由发挥的空间小了，乱来概率会降不少。还有个小技巧，就是给工具加个strict模式，或者在返回前加一层校验逻辑，如果参数格式不对就直接让模型重试，别硬着头皮执行。我之前还试过把示例调用直接写进few-shot prompt里，比纯description管用很多，你可以塞一两个真实成功案例进去。要是还不行的话，建议检查下是不是用了太旧的LangChain版本，有些版本对function calling的支持有bug，升级或换个底层模型（比如用支持tool calling的专用模型）通常能解决大半问题。

遇到同样的问题，我后来发现光靠description和schema真不够，模型该飘还是飘。你可以试试把tool的name改成get_weather_by_city这种语义明确的，参数名也直接用city，别用location，少给模型自由发挥的空间。另外在prompt里加一两个调用示例，比单纯描述管用多了，我这么改完基本就稳了。

模型本身就有这毛病，不如试试tool calling模式，比AgentExecutor稳多了。

描述里把参数名和示例写死，比如明确说“city参数必须传中文城市名”，我这么改完稳多了。

这问题挺典型的，工具调用翻车很多时候不是schema写得不够严，而是模型对参数名的语义映射没抓准。你可以试试把tool的入参直接改成location这种更通用的字段，然后在函数内部自己转成city=北京，反而比硬掰模型省心。另外AgentExecutor的prompt里最好塞一两个few-shot示例，明确告诉它参数长啥样，比光靠description靠谱。实在不行就换function calling原生支持的模型，LangChain那套解析有时候会吃掉结构化输出。

参数乱飞多半是模型对tool schema理解不够狠，光靠description和pydantic有时候真压不住。你可以试试把参数名直接写进tool名字里，比如get_weather_by_city，或者在description里给一两个few-shot示例，模型抄作业比理解规则强。另外agent的prompt里也得明确说“必须严格按schema传参”，别让它自由发挥。我上次换成function calling模式后稳了不少，你可以先拿几个固定case测测看。

我最近也踩过这个坑，LangChain的AgentExecutor对参数格式确实挺敏感的，光靠description和schema有时候压不住。你可以试试把tool的args_schema写得更死一点，然后在prompt里直接给个调用示例，few-shot对参数对齐帮助挺大的。另外换gpt-4o或者claude这类工具调用能力强的模型，稳定性能差出一大截。

这问题太常见了，基本是模型对参数名不敏感导致的，光靠description和schema确实不够稳。你可以试试在tool里加个参数校验层，模型传错了直接抛错让它重试，比只靠prompt约束靠谱。另外换个function calling能力强的模型会好很多，gpt-4o或者claude这块明显比小模型听话。还有个偏方是把参数名写进tool名字里，比如get_weather_by_city，模型看到名字就不太容易搞混了。

这个问题挺常见的，工具调用不稳很多时候不是模型笨，而是描述和参数约束没对齐。你试试把tool的入参schema写死成city字段，description里直接给一句“必须传入中文城市名，参数名city”，别让模型自己猜。另外AgentExecutor里可以开handle_parsing_errors，配合few-shot示例告诉它正确调用长啥样。我之前也踩过类似坑，换成结构化输出加严格schema后基本就稳了，你可以先拿几个case测一下。

这问题挺典型的，工具调用不稳定多半是模型对schema理解不到位。你光加pydantic约束还不够，得在tool的description里把参数名和格式写死，比如明确说“必须用city字段，值为中文城市名”。另外建议换成支持function calling的模型，比如GPT-4o或Claude，比ReAct那种靠prompt解析的稳多了，LangChain里直接绑tools就行。

这种工具调用参数飘的问题我也踩过坑，说实话很多时候真不全是模型的锅。你加了pydantic schema其实已经做对了一半，但关键在于LangChain默认传给模型的那个function calling描述，未必会把schema里的字段名和约束原封不动地喂进去，特别是你换不同模型的时候表现差异很大。我后来改成用OpenAI原生的tool calling格式，或者干脆用结构化输出（structured output）先让模型吐一个固定JSON，再自己解析去调API，稳定性提升特别明显。

另外你那个description别写太啰嗦，模型反而容易抓错重点。我的经验是字段说明要短、要具体，比如city字段就直接写“城市名，必须是中文，比如北京”，别在body和query参数之间留模糊空间，不然模型就爱自己发挥。还有AgentExecutor本身对多轮纠错的容错不太好，一旦第一次调错，后面基本就在瞎猜了。

你可以试试在prompt里加一两个few-shot示例，把正确的tool_call格式直接摆出来，比纯靠schema约束管用得多。实在不行就上LangGraph，让工具校验失败后能回传错误让模型重试，这个闭环比AgentExecutor靠谱。

这种参数飘的问题我也踩过坑，大概率不是模型太笨，而是工具描述和schema没对齐。你试试把description写得更死一点，直接给个调用示例，比如"必须用city字段，值为中文城市名"，比单纯列参数管用。还有agent的prompt里最好明确说"只调用一次工具，不要自己编参数"，不然模型容易自由发挥。另外换个function calling能力强的模型，差距真的挺明显的。

我之前也遇到过类似问题，后来换了方案。

参数名对不上这事我也踩过坑，后来发现光靠tool description不够，得在pydantic schema里把字段名和类型写死，再给每个字段加description注明示例值，模型照着抄的概率会高不少。另外你用的什么模型？有些小模型对function calling支持本来就弱，换个支持tool use的会稳很多。还有个偏方是在prompt里直接把正确调用示例贴一遍，few-shot对参数格式的纠正挺管用的，你可以试试看效果。

工具调用不稳大概率不是模型单方面的问题，LangChain这层对参数约束其实挺松的。你把tool的args_schema写死成city字段、类型限定str，再在description里明确写“只接受中文城市名，参数名必须是city”，比泛泛描述有效得多。另外AgentExecutor的early_stopping_method和max_iterations也调一下，有时候它反复试错反而越调越偏。我之前还试过在prompt里塞一两个正确调用的few-shot示例，稳定性提升挺明显的，可以试试。

你描述的这个情况我也遇到过，参数名对不上多半是tool的name和description写得不够“死”。我的经验是在description里直接把参数格式写死，比如“必须传city字段，值为中文城市名”，再配合pydantic的Field加description和example，模型照着抄的概率会高很多。另外你用的什么模型？gpt-4o和gpt-3.5在工具调用上稳定性差挺多的，小模型经常自由发挥。还有个小技巧是tool只留一个必填参数，别给模型太多选择空间，越简单越不容易跑偏。

有没有更详细的教程推荐？

试试在prompt里直接给个调用示例，比光靠schema约束管用多了，模型照着抄准没错。