任务：给定 5 个工具，20 个需要调用工具的问题，看正确调用的比例。

结果：

  • 大部分模型能到 85% 以上
  • 差距主要在「什么时候不该调用」。该直接回答时硬要调工具，或者该调 A 调了 B
  • 参数格式错误率普遍低于 5%，这块都做得不错

意外的是：工具描述写得好不好，影响比模型差异还大。同一模型换个描述，成功率能差 20 个点。

结论：与其纠结选哪个模型，不如先把工具描述写清楚。描述里写触发场景、参数范围、返回什么，这三样写全，效果立竿见影。

主楼