TRAE 技术专家推荐：6个技巧让你的 Agent 更听话

在构建AI Agent时，你是否经常遇到这样的问题：让AI帮你完成一项任务，它却选错了工具、传错了参数、返回了一堆无关信息？这些问题往往不在于AI模型本身的能力不足，而在于我们为AI设计的“工具说明书”没有充分考虑Agent的认知特点和工作方式。

工具粒度的权衡

本文将从六个核心技巧出发，系统性地讲解如何优化MCP工具设计，让Agent能够更准确地理解工具用途、正确传递参数、有效处理错误，最终实现更可靠的任务执行。

针对LLM特性的Schema高级技巧

除了常规的JSON Schema设计原则外，还有一些针对LLM生成特性的高级技巧。当工具参数中包含复杂对象的数组时，LLM生成正确JSON数组的稳定性往往不如预期。解决方案是将数组展开为带编号的独立参数（如change_1、change_2、change_3），这种扁平结构避免了数组嵌套，LLM只需要处理对象的key-value结构，稳定性会大幅提升。 另一个巧妙的技巧是“静态参数作为行为提醒”（Reminder Pattern）：设计一个值永远是固定的参数，但在描述中包含重要的行为提醒。当LLM必须输出这个固定值时，描述中的提醒会被“重新处理”一遍，这相当于在关键操作前设置了一个“检查点”，可以有效防止Agent“惯性”地快速生成工具调用而忽略重要细节。

输出设计：给Agent可操作的信息

错误处理是Agent工具设计中最容易被忽视却又最能体现“为Agent设计”思维的环节。传统编程中习惯在错误时抛出异常让程序“快速失败”，但对于Agent来说这种方式代价太高——想象一下Agent执行一个复杂任务，调用了20次工具后因为一个参数格式错误整个流程就崩溃了，用户体验会非常糟糕。 核心转变是：对于Agent工具，错误不是“终点”，而是“输入”，是给Agent的另一种反馈。一个好的错误信息应该回答三个问题：出了什么问题、为什么会出这个问题、应该怎么修正。同时，应该区分可恢复错误和不可恢复错误，为Agent提供明确的替代方案和恢复建议。

错误处理：帮助Agent自我纠正

设计MCP工具时，一个关键决策是工具应该多“大”。直接暴露底层API会导致Agent需要多次调用、加载大量工具定义到上下文、存储所有中间结果，这既浪费token又增加出错概率。但如果设计一个返回所有信息的粗粒度工具，又会让Agent淹没在海量无关数据中。 核心洞察是：好的Agent工具应该匹配Agent（和人类）解决问题的自然方式。以订单追踪为例，与其暴露get_user_by_email、list_orders、get_order_status三个底层API，不如设计一个track_order工具，内部自动完成用户查询、订单获取、物流状态整合，直接返回用户关心的订单状态信息。这种围绕用户目标设计的工具粒度，能够显著提升Agent的任务完成效率。

如有侵权，请联系删除。