在运行基于 ReAct 模式的 AI 代理时，许多工程师正浪费高达 90.8% 的重试预算。一项针对 200 个任务的基准测试发现，绝大多数重试并非因为模型出错，而是因为系统反复尝试调用根本不存在或名称拼写错误的工具。这种浪费源于一个常见的设计缺陷：允许大语言模型在运行时直接输出工具名称字符串。一旦模型幻觉生成不存在的工具名，系统会将此类永久错误与网络超时等可恢复错误混为一谈，导致重试机制持续消耗预算却毫无成效。 核心问题在于缺乏错误分类和工具路由的确定性。标准实现中，若工具名为空或无效，系统会盲目重试直至耗尽配额，掩盖了真实的失败原因。要解决这一问题，需采取三项结构性修复措施。首先，建立错误分类机制，明确区分可重试的临时故障（如网络波动）与不可重试的永久错误（如工具未找到），在发现后者时立即停止重试并记录日志。其次，实施按工具独立控制的熔断器，避免单个工具故障耗尽全局重试配额。最后，也是最具决定性的改进，是将工具路由逻辑从模型输出移至代码层面。通过预定义的任务步骤映射表（如将步骤类型直接映射为确定的工具名），彻底消除模型生成错误工具名的可能性。 实验结果显示，应用这三项修复后，重试浪费率降为零，执行步骤的波动率降低三倍，且系统在保持高成功率的同时显著提升了成本效益和可预测性。尽管确定性路由限制了部分开放式的工具组合能力，但在大多数结构化任务的生产环境中，它能提供更高的可靠性和可观测性。建议开发人员在现有系统中尽快引入错误分类和熔断机制，并评估将工具路由固化为代码方案的可行性。