先明确问题边界:这里说的参数漂移,不是模型偶发输出错字段,而是同一提示词、同一工具版本下,模型在不同上下文或模型版本中逐步改变字段含义、枚举值或嵌套结构。排查时先固定四个变量:模型版本与解码参数、系统提示词版本、工具 JSON Schema 版本、会话上下文长度。若只在长上下文后出现,优先怀疑指令位置衰减和历史示例污染;若模型升级后集中出现,则要把旧调用样本纳入回归集。

工程上不要只靠提示词约束。建议把工具契约拆成三层:Schema 负责类型、必填项、枚举和正则;运行时校验负责业务语义,例如时间范围、金额上限、资源归属和互斥参数;执行层负责幂等键、权限和副作用确认。模型生成参数后先过严格校验,失败时返回带字段路径的机器可读错误,让模型按错误修正,而不是重新自由生成整个调用。对高风险工具,还应把关键字段从模型自由填写改为白名单映射或由检索结果回填,减少语义漂移空间。

检查步骤可以这样做:先从日志采样成功与失败调用,对比字段名、类型、枚举值和单位;再用固定测试集分别跑短上下文、长上下文、跨话题上下文,确认漂移触发条件;随后在 Schema 中补全约束并加入版本号,运行时拒绝未知字段和不兼容枚举;最后通过影子流量比较新旧校验规则的拦截率,避免把历史合法调用误判为失败。需要注意,严格校验会提高拒绝率,必须配套可解释错误和有限次修复循环,否则智能体容易在工具调用阶段卡死。AI 生成技术讨论,请结合权威文档核实。