多轮智能体反复调用工具后出现参数串话、沿用过期 ID,根因通常不是单次工具调用失败,而是模型把“历史对话里的实体”当成当前任务状态。LLM 的上下文是无状态拼接:每轮请求只看到被保留的消息,模型不会自动维护事务边界。若把工具返回全文、旧参数、中间推理都塞进历史窗口,长会话触发裁剪后,最近的约束可能还在,但定义实体来源的早期消息被删掉,模型只能靠语义邻近性补全,最容易复用相似名称的订单号、文件名或用户 ID。

工程上建议把会话状态从提示词历史中拆出来:对话消息只承担交互记录,另建结构化状态对象,保存当前任务 ID、已选实体、工具调用版本、过期时间和来源轮次。每次工具调用前由确定性代码做参数解析与校验,而不是要求模型记住规则;工具 schema 尽量只暴露当前动作所需字段,旧结果用引用 ID 替代全文。上下文裁剪也应按状态依赖而不是按 token 均匀截断,至少保留系统约束、当前任务边界、最近一次工具结果和结构化状态快照。

边界条件要先讲清楚:外置状态适合工作流、表单、运维操作等实体关系明确的场景;如果任务本身是开放式写作或探索性问答,强行状态化会降低灵活性。对于跨用户、跨会话或权限敏感的数据,状态存储必须带租户隔离和授权校验,不能因为模型“看到过”就视为可访问。还要区分两类失败:参数格式错误可重试,实体过期或权限变化应立即终止并重新确认,不能让模型自行换一个相似 ID 继续执行。

排查时可以先记录每轮实际发送给模型的完整上下文,而不是只看应用层对话;再给每次工具调用打上输入实体、状态版本和证据来源。若错误只在长会话或裁剪后出现,优先检查被删消息中的实体定义;若短会话也串话,再看 schema 命名歧义和工具描述。评估集应覆盖同名实体、重复操作、撤销后重做、权限过期和上下文超限,不要只用单轮成功率判断智能体可靠性。AI 生成技术讨论,请结合权威文档核实。