模型根据工具描述来选择工具。简略描述（“Extracts data from invoice documents”）导致 30% 误路由。详细描述带用途、输入、输出、示例和边界条件能产出 95%+ 的准确率。描述是模型和工具之间的接口——把它当最重要的字段来对待。
有效描述的五个要素
- 用途：工具做什么
- 输入格式：期望什么数据、什么形式
- 输出格式：返回什么
- 示例用例：什么时候用
- 边界条件：什么时候不该用，以及该用哪个替代工具
示例：“搜索文件内容中的模式，如函数名、错误信息或 import 语句。输入：正则表达式。用于：找一个函数的所有调用方、定位错误信息、追踪 import。不要用来按名称找文件——用 Glob。”
“不要用来”这行直接防止了最常见的混淆。
简略描述导致误路由
三个提取工具的描述都是”Extracts data from [type] documents”，只差一个词。生产数据：30% 的合同误路由到发票工具，20% 的报告误路由到合同工具。 选对工具时准确率 95%+——问题在选择，不在执行。
修复：用文档特征扩展描述。发票有行项目、数量、合计、付款条款。合同有当事方、义务、条款、签名。模型需要这些信号来区分它们。
模糊描述 ≠ “模型应该自己搞定”
通用名称（“Search tool A” / “Search tool B”）给零信息。Unix 命令名（“grep” / “find”）依赖隐式知识。“搜索代码库” vs “查找文件”无法清晰区分内容搜索和路径匹配。模型需要显式、无歧义的描述。
工具拆分：一个工具服务多种操作
一个通用 analyze_document 工具处理数据提取、摘要和声明验证。35% 参数错误率，因为模型无法判断该用哪种操作模式。
修复：拆成三个专用工具（extract_data_points、summarize_content、verify_claim），各有聚焦的描述和定制的输入 schema。模型不需要猜操作模式——每个工具有一个清晰的用途。错误率降到接近零。
拆分条件：一个工具服务多种不同的操作，各有不同的参数要求。模型在单个工具内切换模式时很吃力。
描述质量 → 准确率管线
工具描述不是写给人看的文档。它们是模型用来决定哪个工具适合当前任务的主要输入。一个 6 工具系统的数据：
- 40-50 词描述（用途、I/O、消歧）的工具：93-96% 准确率
- 5-8 词描述（“Runs analysis”）的工具：52-61% 准确率
工具描述里的每个词都通过提升选择可靠性来证明自己的价值。
一句话总结： 详细描述（用途、I/O、示例、“不用于”边界）产出 93-96% 选择准确率 vs 简略的 52-61%——参数错误率超 10% 时应把通用多用途工具拆成聚焦的专家工具。