面试官问“怎么保证Agent调用工具的可靠性？”怎么回答
很多人被问到这个问题时，第一反应是：“我会把Prompt写好一点。”
但如果你真的这么回答，基本就已经输了。
因为在真实业务里，大模型从来都不“乖”。它会幻觉、会乱填参数，甚至在极端情况下可能触发危险操作。就比如我之前做项目，有一步是需要让大模型输出一段JSON，我设置了非常严格的提示词，要他直接输出代码而不要带任何的对话，但还是会时不时的输出一句“好的”，让我们猝不及防。话说回来，问题的关键从来不是“让模型更聪明”，而是当模型不靠谱时，你有没有一套机制兜住它。
所以如果你打算包装自己为一个真正有经验的工程师，就需要把这个问题拆成一整套体系，而不是一句prompt优化。（回答思路放在了文末）
我们可以把Agent的工具调用，看成一条完整的链路：从“定义规则”，到“模型决策”，再到“执行落地”，最后到“出错后的修复”。如果这条链路任何一个环节是松的，系统就会出问题。
先从最底层说起。很多人以为可靠性来自调模型，其实第一步恰恰不是“调”，而是定规矩。
举个很简单的例子：你让模型帮你订机票，它返回：
“出发日期：明天”
听起来没问题，但你的后端系统要的是标准日期格式，像2026-03-17 / 2026/03/17这种。“明天”这个回答一旦直接执行，代码就会报错。这种问题，本质不是模型“笨”，而是你没有把边界定义清楚。
所以在工程里，我们不会给模型自由发挥的空间，而是用强类型约束把输出“焊死”。字段是什么类型、能不能为空、有哪些枚举值，都提前规定好。同时，工具的描述也不能随便写，它本质就是给模型看的说明书。你要明确告诉它，什么时候可以调用，什么时候必须先询问用户，而不是猜。
当规则足够清晰时，模型其实会稳定很多。
但即使规则定好了，还有一个问题：模型经常“还没想清楚就开始干”。
很多错误，其实不是能力问题，而是节奏问题。所以我们会刻意让模型“慢下来”。
一个常见做法是强制它在调用工具之前先进行推理，也就是让它先解释自己的判断过程。这个过程不一定要展示给用户，但它能显著减少低级错误。再配合一些示例，让模型看到“正确调用长什么样、错误调用长什么样”，它的表现通常会稳定不少。
还有一个在复杂系统里非常关键的点，是不要一次性把所有工具都给模型。当工具数量很多时，模型的选择反而会变差。更好的方式是先做一层检索，只把最相关的几个工具交给它。选择空间小了，准确率自然就上来了。
接下来才是很多人会忽略的一步：执行前的校验。
模型输出了一段JSON，并不意味着它可以被信任。你不能直接把它丢给 API，就像你不会让一个未经检查的输入直接进数据库一样。
在工程上，这里一定要有一道“安检”。用代码去验证结构、类型、字段完整性，只要有任何不符合规范的地方，就直接拦截。对于一些高风险操作，比如转账、修改密码，甚至应该引入人工确认，让用户点一下“确定”。这一步的核心思想很简单：模型可以建议，但不能直接决定。
但真正拉开差距的，是最后一层：出错之后怎么办。
大多数系统在这里的处理方式是先报错，然后在你懵逼的时候结束。但好的Agent，不会轻易“放弃”。
更聪明的做法是把错误信息再喂回给模型，让它自己修。比如接口报错说“日期格式不对”，那就把这句话原样返回，让模型重新生成一次参数。你会发现，它第二次往往就能改对。
再进一步，我们甚至可以让模型在拿到结果之后再“反思”一次：这个结果真的解决了用户的问题吗？如果没有，就重新规划，再走一轮流程。这就从一次调用，变成了一个闭环系统。
所以回到最开始那个问题：如何保证Agent调用工具的可靠性？
其实可以用一句话概括：
不是让模型永远不犯错，而是让系统在模型犯错时，依然可控。
换句话说，可靠性来自三件事：清晰的定义、严格的约束，以及能自我修复的闭环。
如果你在面试中能把这个逻辑顺下来，对方基本能判断你不是在“玩模型”，而是在做工程。
#AI求职实录#AI 面试题目精讲专栏：一题一讲、一讲一通透，系统提升 AI 面试应答能力与竞争力
