当智能体无法行动：多智能体LLM系统工具调用可靠性的诊断框架

由大语言模型（LLM）驱动的多智能体系统正在变革企业自动化，但评估工具使用可靠性的系统性方法仍不成熟。我们引入一个全面的诊断框架，利用大数据分析评估智能体系统的程序性可靠性，满足隐私敏感环境中以中小企业为中心部署的关键需求。我们的方法提供一个 12 类错误分类体系，捕捉工具初始化、参数处理、执行与结果解读中的失败模式。通过对横跨开放权重模型（Qwen2.5 系列、Functionary）与专有替代品（GPT-4、Claude 3.5/3.7）以及多样边缘硬件配置的 1,980 个确定性测试实例的系统评估，我们识别出可操作的生产部署可靠性阈值。我们的分析显示，程序性可靠性（尤其是工具初始化失败）构成较小模型的主要瓶颈，而 qwen2.5:32b 取得与 GPT-4.1 持平的完美表现。该框架表明，中型模型（qwen2.5:14b）在商用硬件上提供实用的准确率-效率权衡（96.6% 成功率，7.3 秒延迟），使资源受限组织能够经济高效地部署智能智能体。本工作为工具增强多智能体 AI 系统的系统性可靠性评估奠定基础设施。