何时拒绝使用工具：Agent 不是万能钥匙

💡 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

场景	说明	示例
常识性问题	模型预训练时已经学过	"中国的首都是哪里？"
简单推理	不需要计算或外部数据	"苹果是水果还是蔬菜？"
闲聊/创作	不涉及工具能力	"帮我写一首诗"、"你好"
工具成本过高	付费 API 或增加明显延迟	简单问题却调用付费搜索 API
工具可能有副作用	写操作、发送通知等	未经确认就发邮件、删文件
工具可靠性低	可能返回错误或过时信息	依赖一个经常宕机的第三方 API
用户明确要求	用户说"别查了，直接告诉我"	尊重用户意愿
工具不适用	问题与工具能力无关	问天气却调用了数据库查询工具

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

from langchain.tools import tool

@tool
def search_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
    return results

3. LangGraph 条件边：默认不走工具路径

from langgraph.graph import StateGraph, END
from langchain.agents import AgentState

def should_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
    if hasattr(last_message, "tool_calls") and last_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

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    tool_cost_estimate: float  # 估算工具调用成本

def call_model(state: AgentState):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

def should_use_tool(state: AgentState) -> str:
    last_message = state["messages"][-1]
    
    # 检查是否有工具调用意图
    if not hasattr(last_message, "tool_calls"):
        return "direct_answer"
    
    # 检查成本：如果预估成本过高，再次确认
    if state.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 Agent
workflow = 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。

@tool
def my_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。

def should_execute_write_operation(state):
    """写操作需要用户确认"""
    if state["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。

---