企业官网建设流程全解析

💡摘要：Agent 的核心能力之一是调用工具，但"有能力调用"不等于"应该调用"。本文探讨 Agent 何时应该拒绝使用工具，以及如何通过 System Prompt、工具描述和条件边来引导 Agent 做出正确判断。

引言

很多人初学 Agent 时，会陷入一个误区：既然给了 Agent 一堆工具，那它就应该尽量多用。

但现实恰恰相反——好的 Agent 知道什么时候不用工具。

想象这些场景：

• 用户问"1+1等于几"，Agent 却去调用计算器 API
• 用户说"你好"，Agent 却去查用户画像数据库
• 用户问"Python 的 list 怎么排序"，Agent 却去搜索 Google

这些场景不仅浪费时间和金钱，还会让用户体验变得糟糕。

核心原则只有一条：只有当 LLM 自身无法可靠回答，或者工具能显著提升回答质量时，才应该调用工具。

核心概念

一、应该拒绝工具调用的 8 种场景

二、Agent 如何做出判断

Agent 判断是否调用工具，主要依赖三个机制：

┌─────────────────────────────────────────┐ │ Agent 决策流程 │ ├─────────────────────────────────────────┤ │ │ │ 1. System Prompt 中的指导规则 │ │ ↓ │ │ 2. 工具描述中的适用/不适用条件 │ │ ↓ │ │ 3. ReAct 思考步骤（Thought → Action） │ │ ↓ │ │ 4. 条件边：走工具路径 or 直接回答路径 │ │ │ └─────────────────────────────────────────┘

代码示例

1. System Prompt：引导 Agent 何时用/不用工具

system_prompt="""你是一个智能助手，拥有以下工具： - search_web: 搜索互联网获取实时信息 - calculator: 执行复杂数学计算 ## 工具使用原则 ### 应该使用工具的情况： - 用户询问实时信息（天气、新闻、股价） - 需要精确计算（财务、统计、科学计算） - 需要获取用户个人数据（订单、历史记录） ### 不应该使用工具的情况： - 常识性问题（历史、地理、科学常识） - 简单的数学运算（心算即可） - 闲聊、问候、创意写作 - 用户明确要求"直接回答"时 ### 判断流程： 1. 先思考：我能否凭借自身知识可靠回答？ 2. 如果能 → 直接回答，不调用工具 3. 如果不能 → 选择最合适的工具 4. 如果工具可能有副作用 → 先征求用户同意 """

2. 工具描述：包含正向和反向场景

fromlangchain.toolsimporttool@tooldefsearch_web(query:str)->str:"""搜索互联网获取实时信息。 适用场景： - 查询实时天气、新闻、股价 - 获取最新的产品信息或价格 - 查找模型训练数据截止后发生的事件 不适用场景： - 历史事件（如"二战什么时候结束"） - 科学常识（如"水的化学式是什么"） - 数学计算（请使用 calculator 工具） - 用户的主观感受或意见类问题 Args: query: 搜索关键词，应简洁明确 """# 实际搜索逻辑returnresults

3. LangGraph 条件边：默认不走工具路径

fromlanggraph.graphimportStateGraph,ENDfromlangchain.agentsimportAgentStatedefshould_use_tool(state)->str:"""条件边：判断是否应该调用工具"""last_message=state["messages"][-1]# 如果 LLM 决定调用工具ifhasattr(last_message,"tool_calls")andlast_message.tool_calls:return"use_tool"# 默认路径：直接回答，不调用工具return"direct_answer"# 构建工作流workflow=StateGraph(AgentState)workflow.add_node("agent",call_model)workflow.add_node("tools",call_tools)# 条件边：根据判断走不同路径workflow.add_conditional_edges("agent",should_use_tool,{"use_tool":"tools",# 需要工具 → 走工具节点"direct_answer":END,# 不需要工具 → 直接结束})workflow.set_entry_point("agent")app=workflow.compile()

4. 完整示例：带成本意识的 Agent

fromlangchain_openaiimportChatOpenAIfromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict,AnnotatedimportoperatorclassAgentState(TypedDict):messages:Annotated[list,operator.add]tool_cost_estimate:float# 估算工具调用成本defcall_model(state:AgentState):response=model.invoke(state["messages"])return{"messages":[response]}defshould_use_tool(state:AgentState)->str:last_message=state["messages"][-1]# 检查是否有工具调用意图ifnothasattr(last_message,"tool_calls"):return"direct_answer"# 检查成本：如果预估成本过高，再次确认ifstate.get("tool_cost_estimate",0)>0.1:# 可以在这里加入用户确认逻辑return"confirm_with_user"return"use_tool"# 构建带成本控制的 Agentworkflow=StateGraph(AgentState)workflow.add_node("agent",call_model)workflow.add_node("tools",call_tools)workflow.add_node("confirm",ask_user_confirmation)workflow.add_conditional_edges("agent",should_use_tool,{"use_tool":"tools","confirm_with_user":"confirm","direct_answer":END,})workflow.add_edge("confirm","tools")# 用户确认后执行workflow.add_edge("tools",END)workflow.set_entry_point("agent")app=workflow.compile()

最佳实践

1. 用 System Prompt 明确指导

System Prompt 是引导 Agent 行为的第一道防线。明确列出"应该用"和"不应该用"的场景，让模型在决策时有据可依。

✅ 好的做法： "对于常识性问题，直接回答，不要调用工具" ❌ 不好的做法： "你可以使用搜索工具"（没有说明何时不用）

2. 在工具描述中加入反向场景

工具的 docstring 不仅是说明文档，更是 Agent 决策的依据。明确写出"不适用场景"，能显著减少误调用。

@tooldefmy_tool():"""工具描述。 适用：... 不适用：... ← 这部分很重要！ """

3. 优先使用模型自身知识

模型预训练时已经学到了大量知识。对于这些问题，直接回答比调用工具更快、更便宜、更可靠。

判断标准：

• 模型训练数据截止前就已确定的事实 → 直接回答
• 需要实时性或精确性的信息 → 调用工具
• 简单推理和创作 → 直接回答
• 需要外部系统交互 → 调用工具

4. 为有副作用的工具加确认机制

写操作（发邮件、删文件、修改数据）应该有"确认环节"，避免 Agent 自作主张。

defshould_execute_write_operation(state):"""写操作需要用户确认"""ifstate["pending_action"]["type"]=="write":return"ask_confirmation"return"execute"

5. 监控工具调用的 ROI

每次工具调用都有成本（API 费用、延迟、错误风险）。定期审视：

• 哪些工具调用是"不必要的"？
• 哪些工具返回的信息模型本身就知道？
• 工具调用是否显著提升了回答质量？

总结

Agent 不是"工具用得越多越好"，而是"该用时用，不该用时果断拒绝"。

记住三个关键点：

1. System Prompt 是方向盘：明确告诉模型何时用、何时不用工具
2. 工具描述是说明书：包含正向和反向场景，帮助模型做出正确判断
3. 条件边是分流器：让 Agent 有"直接回答"的默认路径，而不是强制走工具

好的 Agent 像一个经验丰富的专家——知道什么时候该查资料，什么时候凭经验就能给出答案。