Agent参数提取：工具调用的关键一环

可视化演示

展示Transformer中自注意力机制的计算过程：每个token作为Query与其他token的Key计算注意力权重，动态展示权重矩阵的变化与信息流动。

参数提取概述

餐厅里，顾客才不管后厨需要什么格式，他们只负责说：“不要太辣”“大份”“七点之前做好”。服务员的价值，就在于把这些零散的人话整理成一张后厨看得懂的小票。AI Agent 也一样——工具接口只认结构化参数：天气工具要 city 和 date，日历工具要 start_time 和 duration，而用户开口就是“北京明天呢”。中间这层“翻译”，就是参数提取。

在 Agent 的工具调用链路里，大模型先决定“要不要调工具、调哪个工具”，但光有决定还不够。假如天气工具有能力，却拿不到“北京”和“明天”，一次成功的调用依然会失败。参数提取的任务，就是从用户话术中识别出工具相关的信息片段，再映射成工具要求的字段值。它和意图识别是两回事：意图回答“用户想干什么”，参数提取回答“干这件事需要的具体信息是什么”。

技术上的形式化定义很简单：一句话进，一组键值对出。

难点在于自然语言天生多样：指代“那个”、省略“和上次一样”、口语“七点来钟”、同义表达“鸡丁”都能指代宫保鸡丁。提取不完整，工具缺参报错；提取错误，工具执行歪。所以工程上从来不是单一方法包打天下，而是规则匹配、模型抽取、LLM 生成三条路线分层配合——就像一家餐厅不会只靠一个服务员，新人背死规矩、老手凭经验、大厨看全局，各有各的戏份。

规则匹配提取

先看看餐厅里那位刚来的实习生服务员。他手里有一本“标准问法册子”：客人说“宫保鸡丁”，他能对上；客人改口“鸡丁”“宫保”，他就僵住了，拿着笔不知道往哪栏写。规则匹配提取就是这样的实习生——把每种参数的常见表达预先写成模板，用户的话术挨个去比对，命中的地方就填进对应的槽位。

概念上这是最朴素也最直观的路线。工具需要什么参数，工程师就为它定义什么模式。比如日历工具需要时间和地点，那就准备两套抽取器：时间用正则、地点用词典。槽位填充的思路则是预先把参数类别声明成槽位——dish、spicy、size——再用词表去话术中找值。“宫保鸡丁”命中菜品词典，填 dish；“不辣”命中辣度词典，填 spicy。条理清晰，结果可解释。

技术展开来看，正则表达式的威力来自它精确描述字符形态的能力。拿时间抽取举例，想从“晚上7点”里拿到"7"：

规则匹配的优点很突出：零训练成本、毫秒级延迟、逻辑完全可解释，出了问题能直接改一行正则。代价同样明显：表达一变就失灵，“傍晚七点”“晚上七点多”这类新说法需要人工不断给它补模板；规模一大，词典和正则堆积成山，维护成本飙升。它适合话术高度模板化的场景——比如工单里“订单号：12345”这种固定格式，用规则又快又准。但对开放式的对话，实习生服务员很快就不够用了。

模型抽取路线

干了五年的老服务员，听完“来份鸡丁，别放辣，几个人吃的那种”，就能猜出菜名、辣度、份量三栏怎么填。他没背过这句话，但见过的菜式多了，听音辨义成了肌肉记忆。模型抽取路线就是这位老服务员——不靠死模板，而是从大量标注样本中学会“什么样的词，该进哪个槽位”。

技术上，这条路线的核心是序列标注，也叫槽位填充。先把用户话术切成一串词，然后给每个词打标签：B-Dish 表示菜品开始，I-Dish 表示菜品继续，O 表示无关信息。“鸡丁”“微辣”会被标成 B-Dish、B-Spicy，模型学到的是词和标签的关联规律，而不是死记某句话。

模型的训练目标，是找到给定话术下最可能的标签序列：

相比规则法，模型抽取最大的优势是泛化。规则只会认“宫保鸡丁”四个字，而模型在训练中见过“宫保”与“鸡丁”共现的模式，即使句子换个顺序、加个同义词，它也能把“鸡丁”识别为菜品。代价也很现实：需要一批人工标注的数据做训练，冷启动周期长；而且一旦用户话术明显偏离训练分布——比如突然冒出一家从来没听过的菜系——老服务员照样可能听岔。这条路线适合话术有一定开放度、团队又有标注资源的场景。

LLM生成方案

最后登场的是餐厅里那位最资深的大厨兼服务生。他不会机械填表，而是把整句话听完、想明白，然后自己组织一张小票：“不要太辣”被他意会成“辣度：微辣”，“上回那桌那个菜”他也能根据上下文推断。但偶尔他也会自由发挥，在小票上多加一行“送份例汤”——服务好是好，就是有点贵，偶尔还加戏。

LLM 生成方案正是把参数提取当成一次“生成”任务。不给 LLM 预设一堆正则和词典，而是准备一段提示词：告诉它你是一个点单服务员、要提取哪些字段、每个字段什么含义，再给一两个示例。然后让模型直接读用户话术，输出一段结构化 JSON。相比前两条路线，它把意图理解和参数抽取合并成一步，天然能处理省略、指代、口语——因为模型靠的是对整个句子的理解，而不是局部模式的命中。

形式化地说，LLM 在给定话术和参数 schema 的条件下，挑选概率最高的参数组合：

工程上要格外管住 LLM 的“自由发挥”：提示词里写清字段枚举，输出后用 JSON schema 校验格式，发现缺字段或类型不对，把错误信息回喂给模型让它重试，这就是自修正。当然，请这位大厨式服务生的代价是延迟和 token 成本明显高于前两者，还有幻觉风险——它可能填出话术里根本不存在的值。所以现实项目里，它常被用作“最后的王牌”：规则和模型搞不定时再请它出场。

方案对比选型

餐厅老板月底算账：请多少实习生、多少老员工、多少大厨，得看客流量、人均客单价和预算。AI 项目选参数提取方案也是这笔账——在准确率、延迟、成本、可维护性四个维度之间做权衡，没有绝对最好的方案，只有最适合当前业务的组合。

先看清楚每条路线的画像。规则匹配：延迟最低、成本几乎为零、维护靠人工，准确率天花板低，适合封闭场景。模型抽取：准确率中上、延迟可控，但需要标注数据和训练流水线持续维护。LLM 生成：准确率上限最高、最灵活，不过单次调用要付 token 费，延迟按秒计。选型时把这些维度放进同一个账本里算总账：

实操中最常见的不是单选题，而是混合策略：先让规则和模型处理简单高频的场景，因为它们又快又便宜；当置信度不足——比如槽位大量缺失、规则连续匹配失败——再升级给 LLM 兜底。就像餐厅把稳定出品的菜交给固定师傅，把“客人现场改需求”的难题交给大厨。选型的本质不是挑冠军，而是排兵布阵，让每条路线都待在它最划算的位置上。

工程落地实践

一家口碑稳定的餐厅，光有点单流程还不够，还有三件套：领班复核小票、顾客反馈本、季度轮岗培训。参数提取上线也是这样——把流程跑通只是开始，要让它长期可靠，必须配套兜底机制、评测方法和迭代优化。

兜底机制是防错的第一道闸门。参数缺失时填默认值；参数明显不合理时发起澄清对话，反问用户“您说的下午三点是今天还是明天？”；模型反复失败时转人工处理。说白了，就是像领班一样在交单前把一眼可疑的小票拦下来。评测机制则像顾客反馈本：构建一组 golden set——一批“话术到期望参数”的标准样例，每次改动规则、提示词或模型后都要在这组数据上跑一遍，防止老功能回退。

量化评测效果，业界最常用的是 F1 分数，它综合了两个视角的准确程度：系统提取出的参数里有多少是对的，以及应该提取的参数里系统提全了没有。调和平均把它们拧成一个数字：

有了这三件套，就可以放心迭代：每周从线上捞新的失败案例补进 golden set，调整词典、优化提示词、微调模型，再用回归测试确认没有引入新问题。领班复核是兜底、反馈本是评测集、轮岗培训是持续迭代——这三样一件不缺，Agent 的“翻译”能力才能随真实话术的演化越用越稳，真正在业务里站住脚。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""Agent 参数提取三种方案的最小可运行对比演示."""import re  class ParamExtractor:    """餐厅点单式参数提取器: 把用户话术转成结构化订单."""     def __init__(self):        # 方案1: 规则匹配 (正则 + 固定词典)        self.time_pat = re.compile(r"(\d{1,2})[点时:](\d{1,2})?分?")        self.slots_map = {            "大份": "大", "中份": "中", "小份": "小",            "不辣": "不辣", "微辣": "微辣", "中辣": "中辣", "特辣": "特辣",        }        self.dish_names = ["宫保鸡丁", "水煮鱼", "红烧肉"]        self.dish_keywords = ["鸡", "鱼", "肉"]        # 方案3: LLM 提示词模板 (真实项目拼进大模型请求)        self.llm_prompt = """你是一名点单服务员, 从用户话术中提取结构化订单参数, 只输出JSON.用户说: {text}输出格式: {{"dish": str, "spicy": str, "size": str}}"""     def extract_by_rule(self, text):        """方案1: 纯规则匹配, 只能命中模板内的说法."""        order = {"dish": None, "spicy": None, "size": None}        for name in self.dish_names:            if name in text:                order["dish"] = name                break        for word, val in self.slots_map.items():            if word in text:                if "辣" in word:                    order["spicy"] = val                else:                    order["size"] = val        time_m = self.time_pat.search(text)        if time_m:            order["time"] = time_m.group(0)        return order     def extract_by_slot(self, text):        """方案2: 模拟模型抽取, 支持口语变体与关键词泛化."""        order = {"dish": None, "spicy": None, "size": None}        if any(k in text for k in self.dish_keywords):            order["dish"] = "命中菜品关键词"        for word, val in self.slots_map.items():            if word in text:                if "辣" in word:                    order["spicy"] = val                else:                    order["size"] = val        if "不吃辣" in text or "不要辣" in text:            order["spicy"] = "不辣"        time_m = self.time_pat.search(text)        if time_m:            order["time"] = time_m.group(0)        return order     def extract_by_llm(self, text):        """方案3: LLM生成 (此处用模拟结果演示; 真实实现见注释).         真实实现:        response = openai.ChatCompletion.create(            model="gpt-4o",            messages=[{"role": "user",                       "content": self.llm_prompt.format(text=text)}]        )        return json.loads(response["choices"][0]["message"]["content"])        """        base = self.extract_by_slot(text)        # 模拟 LLM 能理解绕口说法: "来条鱼" 推断为已知菜品        if base["dish"] and "鱼" in text:            base["dish"] = "水煮鱼"        return base     def run(self, text):        print("用户说:", text)        print("规则法:", self.extract_by_rule(text))        print("槽位法:", self.extract_by_slot(text))        print("LLM法:", self.extract_by_llm(text))        print("-" * 44)  if __name__ == "__main__":    ex = ParamExtractor()    ex.run("来一份不辣的宫保鸡丁，大份，晚上7点")    ex.run("我不吃辣，来条鱼，要小份的")

1. self.time_pat = re.compile(r"(\d{1,2})[点时:](\d{1,2})?分?")用正则预定义时间格式模板，规则匹配的典型写法
2. for name in self.dish_names:依次比对预设菜名词典，属于规则法的固定词表
3. if "不吃辣" in text or "不要辣" in text:槽位法模拟模型学到口语变体，泛化能力比规则略强
4. self.llm_prompt.format(text=text)把用户话术拼进提示词模板，让 LLM 生成 JSON
5. response = openai.ChatCompletion.create(...)真实项目中的 LLM 调用入口，返回后解析 JSON
6. if __name__ == "__main__":保证脚本可直接运行，展示三组关键测试用例

常见误区

面试题