数据来自一次真实的企业内部试点，已脱敏：不含客户名称、行业、内部结构与代码。
开头：一个看起来很像"提示词问题"的现象
团队带着两个失败用例来：用户说要"生成一份 HTML 报告"、"读取这个文件"，模型什么工具都没调。
他们的第一判断是：是不是中文描述丢了语义？
三轮对照实验之后，这个假设被否掉了。真正的两个根因都不在"提示词写得好不好"这一层。
现象：不是选错，是一个都不选
基线套件：6 个工具 / 9 条用例（含 1 条负例）。选择准确率 78%。
两条失败长这样：
| 用例 | 期望工具 | 实际 |
|---|---|---|
| 生成一份 HTML 报告 | create_html_report |
不调用 |
| 读取这份文件 | file_read |
不调用 |
这类失败在只看准确率的评分卡上就是两个叉，但在线上它叫"助手装死"。
假设一：语言问题 ------ 被证伪
把 6 个工具的描述从英文换成中文，套件、模型、用例、温度全不动：
| 变量 | 选择准确率 | 失败形态 |
|---|---|---|
| 英文描述（基线） | 78% | 同两组工具，不调用 |
| 中文描述 | 67% | 同两组工具，不调用 |
而且中文描述比英文更短------顺带排除了"描述变长导致信息稀释"。
结论：语言只是描述的一种变体，不是这组失败的主因。
这一步很关键。如果跳过控制变量，最可能的动作是去反复改写提示词，然后发现毫无改善。
根因一：required 参数，模型根本拿不到
文件类工具都有一个 required 的 session_id（UUID）。它不在用户输入里，描述里也没说从哪来。
模型面对"必须填、但永远填不对"的参数，最优策略就是不调用。它不是不懂，是在规避必错。
验证方式：只在用户输入里补上会话 ID，其他一律不改------
| 工具 | 补会话 ID 前 | 补会话 ID 后 |
|---|---|---|
file_read |
不调用 | ✅ 正确调用 |
file_saver |
不调用 | ✅ 正确调用 |
create_html_report |
不调用 | ❌ 误选邻居 |
一个"参数来源"上的修复，直接救回三分之二。
这条规则可以静态检查 ：required 参数如果既没有在 description 里说明来源，也不像用户会自然提供的内容（UUID、租户 ID、trace ID、环境标识），就应该报警------"模型可能拒绝调用"。
根因二：能力边界与邻居重叠
create_html_report 的描述是"根据文本文件生成报告"。补上会话 ID 后它仍然失败，但形态变了：从"不调用"变成误选 file_read。
原因很清楚："读文件"和"根据文本文件生成报告"共享了核心动词和宾语。这不是"没写触发时机"，是区分度不足。
修法不是再堆形容词，而是在描述里明确写出互斥边界：不适用于什么。
这里有个容易踩的坑：lint 里"两个工具描述相似度 0.50"这类告警只能发现"像"，发现不了"该不该像"。真正该问的是------用户会不会混淆这两个工具？ 会，就必须把边界写进描述。
方法：评测的价值在归因，不在分数
三轮实验，每轮只改一个变量（语言 / 参数来源 / 描述边界），套件与模型全程不动。
如果只跑两次、看到 78% 掉到 67%，最自然的结论是"中文不好用"。而这个结论是错的。
同一套件 + 单变量对照，才让"分数"变成"原因"。我们做评测工具的初衷也是这个：分数只是入口，归因才是产出。
一个常被忽略的缺失：负例
上面两个失败能暴露出来，靠的是套件里那条 expectedTool: null 的负例，以及一组语义相近的工具。
只测"选对了没有"的套件，会把"该调用却没调用"混进未命中里，淹在一堆分数中看不出形状。"该不该调用"必须单独成为一类用例，建议占全部用例 20% 以上。
顺手复现这套实验
bash
# 1. 先看你的工具集是否有"不可推断的 required 参数"
mf lint --suite mf.suite.json
# 2. 看负例占比与疑似混淆对
mf coverage --suite mf.suite.json
# 3. 同一套件跑两个变体（例如中/英描述），只改一个变量
mf eval --suite mf.suite.json --models internal-ds --show-cases工具仍然是 modelfunction-cli（命令 mf）：本地运行、无遥测、Key 只走环境变量，--models-file 可以直接接内网 OpenAI 兼容网关。
结论
三条可带走的经验：
- "不调用"是一种失败模式，而且往往源自参数不可推断，不是模型笨；
- 相邻工具的区分度要写"不适用于"，而不是堆形容词；
- 先做归因再谈分数------控制变量比调提示词便宜得多。
如果说这次试点有什么超出预期的收获，就是这句：评测工具真正的价值，不是给你一个分数，而是让"为什么"变成可以验证的问题。