VirtueZ · 2025.12.01
DeepSeek V3.2 把推理接进工具调用,智能体少了哪次断档?
智能体最尴尬的时刻,不是它不知道答案,而是刚查到新证据,却仍沿着三分钟前的旧判断往下说。人做事也会犯这种错:先认定是商家漏发,再看到骑手记录,仍不愿推翻前面的结论。AI 若要真的接手一段工作,就得在查资料、调用工具和给出建议之间保持同一条思路,而不是每到一个节点都像失忆一样重新开局。
DeepSeek 在 2025 年 12 月 1 日的官方发布页强调,V3.2 将思考能力与工具使用结合,并可在思考与非思考模式下使用工具。发布同时还有 V3.2-Speciale,但官方明确写出当时版本偏重推理、不支持工具调用,不能把两个版本的特性混在一起。对产品经理而言,最值得问的不是“它是不是更会思考”,而是完整任务中的证据怎样改变下一步动作。
一、一次售后处理,为什么会在中间断掉
拿一张简单却不单纯的工单做例子。用户说外卖少送了一份餐品,订单详情显示购买两份,商家回复“我这边已打包”,骑手交接记录暂时没有照片。客服助手需要先核对是哪一笔订单、商品数量与已有售后状态,再整理还能确认什么、缺少什么证据,最后给人工客服一份处理建议。若系统还允许自动查询规则,调用工具只会让任务变得更长,未必让问题更简单。
断档常出现在三个地方。第一,模型查订单前就做了判断,工具返回不同信息后没有重新审视;第二,工具调用失败,它却把空结果当成“没有问题”;第三,模型找到了规则,但没有确认这条规则是否对当前订单日期生效。表面看都是一条完整的回复,实际工作链中间出现了漏洞。用户看到的可能是自信的结论,客服接手后还得把整个过程重做。
所以,“推理中使用工具”作为能力方向,有意义的地方在于允许模型在获得新信息后继续判断。但模型能这样做,并不代表业务系统自动拥有可靠流程。订单工具要返回正确字段,规则库要有版本,接口错误要被明确报告,最终建议要能追溯到哪一次查询。模型能力是链条里重要的一环,却不是整条链本身。
二、工具结果不是事实的终点,还要看时间和来源
产品经理设计 Agent 时,常把“接上内部知识库”当作里程碑。接口能查到文件,只说明模型终于能看见资料;文件是否有效,仍要由资料管理来保证。假设售后规则在双十一前临时调整,旧版 PDF 仍在目录,新版通知发在运营群里。模型查询旧 PDF,推理过程再严谨,也可能得出过期建议。问题不是它思考不够,而是系统没有把最新规则放在应有的位置。
因此工具返回值应尽量带来源、更新时间和适用范围,而不是只给一段剥离上下文的文字。模型若发现两份材料相互冲突,合格的行为是指出冲突、请求确认;如果它把两份规则“折中”成一条不存在的方案,看起来聪明,业务上却很危险。团队还要有明确的优先级:正式生效的规则高于讨论草稿,订单系统的实际状态高于用户与商家未经核实的说法。优先级由业务负责人与系统定义,不能靠模型猜。
工具失败也应该是一种可见状态。网络超时、权限不足、查询不到订单,是三种不同情况;界面不能统一显示“已完成分析”。如果 Agent 查询失败,却继续依据历史聊天内容推断用户订单,后续建议很可能越走越偏。把“不知道”写进产品行为,比让模型补一段流畅文字更符合用户利益。
三、思考模式怎么用,要看业务错误的代价
官方发布里提到 V3.2 在不同模式下支持工具。产品经理可以由此考虑任务分层:普通分类或资料整理,尽量以较低延迟处理;多份材料矛盾、需要连续查证的任务,再给更充分的推理与工具预算。不是每张工单都值得让系统做复杂检索,也不是每张工单都能靠一句规则匹配解决。
要决定边界,先写错误代价。把“饮品少了一根吸管”归错标签,客服多花一点时间纠正;把“已部分退款”漏掉,再自动建议全额赔付,风险明显不同。后者除了提高模型处理能力,更需要金额校验、权限限制和人工审核。某个模型可以把复杂逻辑说得更完整,不能因此获得执行资金动作的默认权力。产品设计要把分析、建议和执行三个层次分开。
也别把 V3.2 与 V3.2-Speciale 混为一谈。后者在发布时被官方定位为更强调推理能力的版本,但明确没有工具调用。如果方案需要一边查订单一边改判断,应该评估能完成这条工具链的配置;如果任务是对一份固定材料做深入分析,才是另一类比较。名称接近不意味着产品能力完全相同,方案文档必须标出具体版本与可用工具。
四、一次工具调用成功,不代表用户问题已解决
研发看日志,订单查询返回成功;模型读到状态,生成了建议;前端显示回复,三段系统都认为自己完成了任务。但用户可能还在等一件事:确认少送的餐品能否补发,或者已经发生的部分退款会不会影响后续申请。系统组件分别成功,用户的事却没有结束。做 Agent 产品,不能只拿工具调用成功率当最终指标,至少要抽样走到任务结果。
从产品视角看,工具调用有四种不同的“成功”。请求格式正确是一层,拿到数据是一层,拿到与本次任务有关的数据又是一层,数据最终帮助用户或人工完成处理才是最后一层。若模型查到了上一次订单而不是本次订单,技术上接口毫无问题,业务上却错了对象。每一步都要保留订单 ID、查询条件和时间,便于事后知道误差在哪里出现。
系统还要防止重复动作。网络不稳定时,Agent 可能以为上次提交失败,再提交一次。对查询而言多一次请求通常只增加成本,对退款或取消订单而言,后果可能完全不同。因此关键写操作应由业务接口提供幂等保护,并让模型在重试前确认状态。语言模型可以决定“下一步应查询是否成功”,不该凭聊天记录猜“应该还没提交”。
还有一种情况是用户改变了目标。最初要求退款,后来同意补送;模型若只在每次工具调用后保持旧目标的连续性,反而会错误地坚持退款。好的 Agent 不只是记得自己之前怎么想,也应能在用户明确改变需求时更新目标。产品界面要让这个变化可见,并对已经发生、不能撤销的动作做提示。连续推理的价值,是能够修正计划,不是沿一条路径无条件跑到终点。
五、把判断、建议和执行拆开,团队才敢逐步放权
很多产品一开始就想要“自动完成工单”,最后卡在风险审批,项目拖了很久。更现实的路径是先做只读辅助:模型读取脱敏订单与规则,给客服列事实和疑点。第二步让它起草回复,由人修改或发送。第三步才考虑在明确条件下执行低风险动作,并要求系统校验与日志。每一步都有自己的效益与风险,不必等到“全自动”才算成功。
这种分层还使验收更清楚。只读阶段检查证据是否准确、是否漏重要信息;草稿阶段看语气与业务承诺是否正确;执行阶段额外检查权限、重复请求、接口失败与撤回办法。若第一层连“这笔订单是否已退款”都经常弄错,就没有理由把第三层权限开放。用阶段结果决定下一步,比被漂亮的端到端演示推着走更稳。
给客服的界面也不该把模型答案当成权威裁决。可以把“已核实”“来自用户描述”“尚待确认”分开显示,让接手的人知道该查哪里。一份只写“建议补送”的回复虽然简短,却迫使客服重新找证据;一份列出来源和缺口的摘要,哪怕最终决定仍由人做,也能减少大量搬运和核对工作。让人工接管顺畅,本身就是 Agent 产品能力的一部分。
六、比较配置时,别让工具数量替模型能力背书
假设团队拿 V3.2 与另一款模型比较,前者可访问订单和规则库,后者只看到用户一句话。前者答得更准并不奇怪,但这证明的是整套配置资料更充分,不足以证明裸模型全面更强。想比较模型能力,应尽可能提供相同材料、相同工具和相似预算;想比较两套产品方案,则可以允许不同架构,但结论必须写清配置。两种比较都合理,不能把它们混在一张“谁最好”的榜单里。
成本也要按完整任务算。模型推理、查询数据库、检索文件、失败重试、人工审核都会消耗资源。如果配置 A 首次回答快却常要人工补证据,配置 B 多调用两次工具但一次通过审核,不能只用调用费决定选择。记录每个任务通过验收前消耗的模型调用、工具次数和人工分钟数,才看得见真正的取舍。
为避免一次偶然成功左右判断,可以让关键样本在独立会话中重复处理。尤其关注新增证据后的表现:模型会不会推翻之前的猜测,会不会引用本来与任务无关的旧材料。失败样本留存以后,下一次模型升级可以直接回归。团队最终收获的不只是“这个版本好像更聪明”,而是一套能反复使用的业务验收标准。
七、方法论:用一条可追溯的任务检验 Agent
准备十份经过脱敏的历史工单,每份都保留订单状态、当时有效的规则和人工最终认可的处理方式。放入常见情况,也放入查询失败、规则冲突和新证据晚到的样本。给模型的任务不是“帮我处理售后”,而是“整理事实、注明依据、列出仍需确认的信息、给人工审核建议,不执行赔付”。能否自己暂停、能否承认缺口,是这套测试的核心。
运行时记录每次工具调用:查询了什么,返回什么,模型在返回后有没有修正原判断。结果可以按四类检查:事实是否正确,关键错误是否出现,人工修改多久,整个流程花了多少时间和费用。若要试自动化程度,先从只读查询到生成草稿,再到有限范围的低风险动作逐步增加权限;每升一级都重新跑旧样本,并规定遇到异常怎样回退人工。
给人工审核的输出格式也可以事先固定,避免每次都读一篇自由发挥的长文。比如一行写订单与用户请求,一行列系统已核实事实,一行列尚未核实的说法,一行写适用规则及来源,最后一行给建议与禁止直接执行的动作。若缺少规则,明确写“规则未查到”,而不是留一个看似无害的空白。这种格式让客服能快速比较不同模型的结果,也让错误更容易被定位。
试运行时别忽略使用者反馈。客服也许会说模型指出了正确规则,却把最重要的订单号放在很靠后的位置;也可能说自动建议太长,查一次反而比自己看系统更慢。将这些观察记录为产品问题,可能比换模型更快改善体验。真正让工具进入工作流的,不只是推理结果准确,还包括使用者能否在忙碌时看懂、信任到合适的程度,并在不确定时方便地接管。
到了可以放开部分自动动作的阶段,还要设一条明确的停止线:查询不到最新规则、用户资料不完整、金额超出阈值、接口返回异常,就把任务交还给人。停止线应落实在系统逻辑与权限上,不只写在提示词里。这样模型的强项可以继续发挥,无法承担的责任也不会被一段流畅回复遮盖。
最终你应该得到一张分工图,而不是一句“Agent 已经能处理售后”。模型负责读描述和整理证据,工具负责提供订单与规则,确定性系统负责硬校验,人负责例外与重要决定。DeepSeek V3.2 的发布提醒我们,模型可以更好地在工具与思考之间移动;让这种能力真正服务用户,还要把新信息、错误状态和业务责任放在一条能复核的流程里。
若你正在选模型,不妨在下一次演示里加一个临时变化:模型刚给出建议,就补充一笔此前没看到的部分退款记录,再问它现在该怎么办。一个能够及时改口、说明依据、停止不该继续的动作的系统,比从头到尾说得很顺却忽略新证据的系统,更接近业务真正需要的助手。
模型查到资料后的第一句话,可以要求它区分“工具返回的事实”和“我根据事实作出的判断”。订单系统显示已完成部分退款是事实,建议进一步补送是判断;商家说已打包是待核实陈述。把三者分开,人工客服才知道哪里可以直接引用、哪里需要继续问。再复杂的推理链,如果把证据和猜测写成同一种语气,也很难安全进入业务。
信息来源与事实边界
- DeepSeek:V3.2 发布说明,2025 年 12 月 1 日。其中 V3.2、V3.2-Speciale 的能力区别及工具调用状态来自官方说明。售后工单与试点方法为作者构造的评估案例,并非独立模型测试。