MCP微调时工具调用老是失败，是prompt写错了还是参数没对齐？

参数格式没对齐吧，我上次也是location写错，改成city:北京就正常了。

我最近也在折腾MCP的工具调用微调，踩的坑几乎一模一样。你提到的参数格式乱套，大概率不是prompt的问题，而是训练数据里tool_call的JSON schema没有被模型真正“吃透”。我试过把每个工具的参数结构单独拆出来，在system prompt里用示例强化一遍，效果比单纯堆多轮对话好不少。另外你数据里如果location字段的示例太少，模型很容易退化成自然语言填空，写成“北京”这种。触发不了tool_call也可能是训练时正负样本比例失衡，模型学会了偷懒直接回答。建议你检查一下微调数据里tool_call的起止token有没有和推理时的模板完全对齐，差一个空格都可能让模型懵掉。我现在会额外加一批“不该调用工具”的负样本，反而让触发率稳了很多。

我之前也踩过这个坑，参数格式乱套大概率不是prompt的问题，而是微调数据里tool_call的schema没对齐。你检查下训练样本里function definition是不是跟推理时完全一致，包括字段名、类型、required这些细节。另外轻量模型对格式特别敏感，建议在prompt里把参数示例写死一两个，比纯靠微调去记要稳。

我也踩过这坑，八成是训练数据里参数格式不统一，模型没学会严格对齐schema。建议先检查几轮样本的tool_call字段是不是完全一致。

参数格式乱套估计不是prompt的锅，八成是训练数据里工具schema和实际推理时注入的不一致。你检查下微调时tool_call的JSON结构，是不是把参数嵌套层级搞错了，或者location字段的schema定义跟示例对不上。我之前也踩过类似的坑，模型学会了“意思”但没学会“格式”，后来在数据里把每个参数的type和required都显式对齐才稳定下来。另外MCP那块对tool_choice的触发阈值挺敏感的，可以试试在system prompt里把调用条件写死一点。