·tian
与工具本身脱节的工具描述
当工具的 JSON Schema 和其文本描述存放在不同位置时,它们会各自独立演进并产生偏差 —— 导致模型遵循了描述中的错误,而这些错误本可以通过 Schema 捕获。本文将探讨为什么工具描述是你有效系统提示词的一部分,以及如何确保它们的真实性。
insider
llm-tools
agent-engineering
tool-calling
+1·tian
人类编写但 AI 客服 Agent 无法解析的运维手册
当 AI 客服 Agent 像人类一样阅读人类编写的操作指南时,它们会失败——因为它们会试图补全那些隐含的步骤,导致产生幻觉并触发错误的工具调用。本文将教你如何编写能够让 Agent 机械化执行的运维手册。
ai-agents
customer-support
runbooks
llm-tools
+1·tian
被你的智能体拙劣重造的特征存储
AI 智能体在每一轮对话中都在重新推导相同的事实——流失风险、账户账龄、订阅层级——没有缓存,没有共享定义,也没有时间点正确性。为什么这会让它们变成一个破碎的特征流水线,以及如何修复它。
ai-agents
feature-store
mlops
data-engineering
+1·tian
参数幻觉是漂移信号,而非模型 Bug
当模型虚构参数值时,成本最低的假设并不是“模型失败了”,而是“你提供给模型的描述与连接另一端的 API 不再匹配”。
llm-tools
agents
function-calling
observability
+1·tian
工具 Schema 是提示词,而非 API 合约
从 OpenAPI 规范自动生成的 LLM 工具 Schema,本质上是将你的 API 文档作为提示词发布 —— 而你的智能体将为此付出代价,在测试中难以察觉的误用会频频发生。
insider
llm-tools
agents
function-calling
+2