【干货分享】SF-FastGPT 进阶技巧：如何通过“参数式工具调用”大幅节省 Token 与上下文？

文章前提示：由于深信服社区发帖规则限制，不允许出现双层{}符号，所以下面的双层{}均使用[]替代，特此说明！

【干货分享】SF-FastGPT 进阶技巧：

如何通过“参数式工具调用”大幅节省 Token 与上下文？

一、 前言：大模型做“文本搬运工”的痛点

相信不少在使用 SF 平台（FastGPT）搭建工作流的朋友都遇到过这样一个痛点：在“工具调用”节点中，大模型需要将完整的参数内容一字一句地“吐”出来传给工具。
这种方式在常规场景下没问题，但非常消耗大模型的输出 Token，且会大量挤占宝贵的上下文空间。尤其是在处理长文本分析或需要频繁调用工具的场景下，这将成为整个流程的性能与成本瓶颈。

这里举个直观的例子：根据诗词内容获取标题：

常规操作是将整首诗作为 String 类型参数传入工具。我搭建了一个简单的工具（根据诗词内容输出标题及作者，模型流输出，工具无返回），并输入李白的《行路难》进行测试：

不难发现，AI 在调用工具时，把整首诗的几百个字全量输出了一遍作为参数。当文本较短时感知不强，但如果传入的是万字长文，或者需要连续调用多个工具，大模型就会变成低效的“文本搬运工”，不仅响应变慢，Token 费用也会直线飙升。

二、 破局思路：从“传内容”到“传引用”

结合 SF 平台的底层特性，我发现了一个巧妙的解法：利用平台的变量解析机制，实现“参数式（引用式）工具调用”。

SF 平台在节点输出参数时，通常会使用 [[$ 和 $]] 将参数包围（例如 [[$变量名$]]），平台在底层会自动将其解析为对应的实际文本。核心思路就是：让大模型不再输出完整内容，而是只输出这个“变量占位符”，由平台在底层完成内容解析！

我们无需修改原有的工具，只需微调工作流和提示词。再次运行《行路难》的测试：

非常有趣的现象出现了：大模型传入的参数看似是一串“乱码”（变量占位符），但工具依然返回了正确的结果！

查看运行详情会发现：虽然大模型只传入了变量 ID，但在工具实际执行时，平台已经将该变量完美解析成了对应的诗词内容。

借助这一特性，我们成功实现了参数式工具调用！大模型只需输出极短的变量 ID，就能传递任意长度的内容。这对于上下文空间“寸土寸金”的大模型来说，无疑是巨大的利好。

三、 实操指南：4步实现参数式调用

下面是具体的配置步骤，建议收藏后跟着操作：

Step 1：工具端配置（极简）

在工具参数设置中，将参数类型选择为 “变量引用”。设置一个合适的变量名（如 诗词内容），变量类型可根据实际需求选择（String/Text 等），然后在工具逻辑中正常使用该变量即可。

Step 2：Agent/工作流端绑定全局变量

我们需要一个全局变量来承载实际内容，并将其与工具参数绑定。
1、创建一个全局变量（根据需求选择类型和名称）。

2、在合适的节点为其赋值。例如，在对话开始前通过“用户输入”节点赋值，或者使用 “变量更新”节点动态赋值。

Step 3：编写核心系统提示词（关键！）

全局变量绑定后，必须通过 System Prompt 明确告诉大模型这个变量的存在，并强制约束其调用规则。

===提示词开始===

# 请根据用户问题选择合适的工具并调用！  

以下是你可使用的参数名及参数ID，在调用工具时必须输入完整参数ID进行调用！

| 参数名 | 参数ID |

| 诗词内容 |  VARIABLE_NODE_ID.w5brtKtj  |

【参数调用规则】

参数调用铁律：任何工具调用，传入参数时必须在变量两边加上 `[[$` 和 `$]]`，即 `[[$变量ID$]]` 格式。

===提示词结束===

Step 4：如何优雅地获取变量 ID？

很多新手不知道去哪找这个变量 ID，这里分享一个小技巧：

1、在提示词编辑框中输入 / 呼出变量菜单，选择你需要的变量。

2、此时变量会以引用形式插入（带有 [[$和$]]）。

3、将其复制出来，在外部文本编辑器中删掉最外层的 [[$ 和$]] ，只保留中间的 变量ID 部分。

4、将处理好的纯 ID 复制回提示词中即可。

四、 总结与展望

核心收益总结

通过这种“参数式工具调用”方法，我们可以获得以下显著收益：

• 极致省 Token：大模型无需再重复输出长文本，输出 Token 消耗呈指数级下降。
• 释放上下文空间：短上下文的小模型（如 7B/8B 级别）也能轻松驾驭长文本、多轮次的复杂工具调用任务。
• 提升响应速度：减少了大模型的生成字数，工具调用的整体延迟显著降低。

  
  
  
  

适用场景拓展

该方法不仅限于诗词解析，在以下场景中更能发挥巨大威力：

• 长文档/RAG 分析：将检索到的长片段作为变量传入总结/分析工具。
• 复杂数据处理：在多个工具节点间传递庞大的 JSON 或结构化数据。
• 多 Agent 协同：Agent 之间传递长篇上下文或记忆片段。

  
  
  
  

避坑注意事项

• 大模型遗忘规则：小模型有时可能会“忘记”加 [[$ 和 $]] 的后缀。建议在提示词中加入 Few-Shot（少量示例），或在平台层面增加一层正则校验拦截。
• 变量 ID 准确性：大模型可能会幻觉出错误的变量 ID。务必在提示词中明确列出所有可用的 ID 白名单。

  
  
  
  

技术的魅力在于对平台特性的深度挖掘与巧妙重组。 希望这篇分享能帮大家优化工作流，省下真金白银的 Token 费用！

如果这篇文章对你有启发，欢迎点赞、收藏、转发！在实操过程中遇到任何问题，或者你有更巧妙的 SF 平台玩法，欢迎在评论区留言交流，我们一起探讨！

友情链接:FastGPT 进阶技巧：如何通过“参数式工具调用”大幅节省 Token 与上下文？ - Inkcoi的文章 - 知乎

https://zhuanlan.zhihu.com/p/2051302265068183995