> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/agent-tool-calling-prompt-guide.md).

# 智能体工具调用提示词怎么写？2027年别让模型乱调用工具

本文整理自 Duaer 文档站，围绕企业智能体的工具调用问题，讲解工具描述、调用策略、参数权限与回归测试的写法，帮助团队减少模型该调不调、选错工具和参数填错的情况。

## 为什么工具调用比普通提示词难

很多团队做智能体时，第一步是把内部接口接上：查订单、开工单、发邮件、改库存。接通之后却发现，模型要么该调用时不调用，要么挑错工具，要么把参数填成一个看似合理、实际错误的值。工程师往往先去改代码、加重试，最后才发现问题出在一段几乎没人认真写的文字上，也就是工具描述和调用提示词。对智能体来说，工具描述就是它的“说明书”。说明书写得模糊，它就只能靠猜。

普通问答里，模型输出错了，人能直接看见，改一句话就行。工具调用不同：模型的输出是一段结构化的调用请求，错误会直接变成真实动作，比如错误的退款、错误的工单、错误的数据写入。一次任务通常还要连续调用多个工具，前一步的错误会在后续步骤里被放大。所以调用提示词的目标不只是“让模型说得对”，而是“让模型在该做的时候做对的事”。

另一个难点是选择。工具一多，描述之间稍有重叠，模型就会在“查询客户”和“查询订单”之间摇摆。这类问题在演示时不明显，进入真实流量后才集中暴露。集成为什么会在这个环节停滞，可以参考《2027年企业智能体AI落地挑战：为什么集成会停滞》，那里从组织和链路角度做了更完整的拆解。

## 常见误区：把工具描述当成接口文档的附件

最常见的做法是直接把后端 API 文档粘进去：函数名叫 get_data_v2，描述写“获取数据”。对工程师来说，这些信息够用；对模型来说，它不知道什么时候该用、什么时候不该用，也不理解参数的业务含义。

第二个误区是只写“能做什么”，不写“不能做什么”。比如退款工具确实能退款，但它不应用于超出售后期限的订单。如果描述里没有这条边界，模型就会按字面理解为“用户要求就退”。

第三个误区是把所有规则塞进一个超长的系统提示词里，指望模型自己记住。规则越多，越容易互相冲突，也越难维护。规则应该尽量跟着工具走，放在对应的工具描述里。

## 怎么写工具描述才对

好的工具描述至少要回答四个问题：这个工具解决什么业务问题；什么情况下应该调用；什么情况下不该调用；每个参数的业务含义和取值范围是什么。

举个对比。差的写法是：“query_order：查询订单。参数 id：订单id。”好的写法是：“query_order：根据用户已提供的订单号，查询订单状态与物流信息。仅当用户明确提供订单号时使用；若用户只给出手机号或姓名，应先调用 find_customer，不要猜测订单号。参数 order_no：纯数字，共 11 位；若用户给的是其他格式，需先向用户确认。”

两者的差别在于边界情况。好的版本给模型留出了明确的处理路径，而不是让它临场发挥。工具名也尽量用“动词加对象”的形式，避免 tool1、process、handle 这种语义模糊的命名。

## 调用策略与参数权限：何时直接调、何时先问、何时拒绝

描述解决的是单个工具的问题，还需要一层调用策略来约束整体流程。建议把工具分成三类：只读工具可以直接调用；有副作用但可逆的工具（如创建草稿）可以调用，但结果中要说明；不可逆或高风险的工具（如付款、删除、对外发送），必须先输出确认摘要，等用户明确确认后再执行。

此外，要规定缺参数时的行为。模型常见的毛病是缺少必要信息时自行补一个默认值，结果调用成功，却操作了错误的对象。提示词里应明确写：必填参数缺失时，禁止编造，改为向用户提问。这一条看起来简单，却能挡掉大量静默错误。

提示词能降低错误率，但替代不了程序校验。模型生成的参数必须经过类型、范围、枚举值和权限的检查。校验失败时，应把具体的错误信息回传给模型，让它修正，而不是直接返回成功。返回值也要做截断和结构化，避免一大段原始 JSON 占满上下文，导致后续判断失准。

权限尤其重要。提示词可以告诉模型“不要查询其他部门的数据”，但真正的权限边界必须由工具层的身份和角色控制。把安全交给提示词，是很多事故的起点。

## 怎么衡量，以及本周可以做什么

很多团队的评估停留在“我试了几次，感觉还行”。更可靠的做法，是准备一批真实任务，覆盖正常场景、边界场景和诱导场景（例如用户要求越权操作）。每个任务都标注期望调用的工具、期望参数，以及期望的拒绝或追问行为。每次修改描述或提示词，都跑一遍这套测试集。

核心指标可以看五项：该调用时是否调用、选中的工具是否正确、参数是否合法且语义正确、缺参数时是否先追问、越权或高风险操作是否被拦住。这些指标要按工具分别统计，因为一个模糊的描述往往只影响一两个工具，整体平均值会掩盖问题。

提示词本身也要纳入版本管理。改一个字，调用行为可能整体变化；没有记录，出了问题就很难追溯。这与提示词版本控制是同一个道理，相关做法可以参考《2027 提示词版本控制：未被追踪的提示词为何会破坏企业 AI》。如果你希望把工具描述、测试任务和版本记录放在一处对照着管理，也可以直接在 Duaer 里搭起这套流程，每次修改后都能看到结果变化。

如果你想从本周开始，可以挑出系统里调用最频繁、风险最高的三个工具，逐个重写描述，补上“何时不用”和“缺参数怎么办”两条，然后用二十条真实任务跑一遍回归。只做这一件事，通常就能暴露出最主要的一批调用错误。

如果你的团队想把这件事系统化，可以到 https://www.duaer.com 注册试用，先用一个工具集把流程跑通，再决定是否扩大范围。

如果你的团队正处在工具接入或调用不稳定的阶段，我们可以免费给你一份这个场景的落地路线。告诉我们你的场景，我们会把对应的书面路线发回给你：https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

## 常见问题

### 智能体工具的描述应该怎么写才不会被模型误用？

工具描述至少应说明业务用途、何时应调用、何时不应调用，以及每个参数的业务含义和取值范围。遇到边界情况时，要给出明确的处理路径，例如缺少订单号时先调用客户查询工具，而不是让模型猜测。

### 如何判断智能体的工具调用是否稳定？

建议准备一批覆盖正常、边界和越权场景的真实任务，标注期望的工具、参数和拒绝或追问行为，每次修改描述或提示词后都回归运行。指标应按工具分别统计，包括调用时机、工具选择、参数正确性、缺参追问和高风险拦截情况。

### 能否只靠提示词来限制智能体的工具权限？

不能。提示词可以降低错误率，但真正的权限边界必须由工具层的身份和角色控制，并对模型生成的参数做类型、范围、枚举值和权限校验。把安全完全交给提示词，是常见的事故来源。

