6 компонентов качественного описания инструментов для LLM: анатомия tool descriptions в MCP

97% описаний инструментов для AI-агентов содержат дефекты — модель выбирает не те функции или передаёт неправильные параметры. Исследование 856 инструментов в MCP (протокол подключения возможностей к LLM) выявило: 56% не объясняют своё назначение чётко. LLM читает «получить цены акций» с параметрами start и end, но без формата. Модель не понимает должна ли передать «2024-03-15» или «15-03-2024» — поэтому использует безопасный вариант «1 месяц», даже когда спросили про конкретную неделю. Результат: в 10 раз больше данных, выше стоимость, медленнее ответ. Метод позволяет описывать возможности для Custom GPT и AI-агентов так, чтобы модель вызывала функции правильно с первого раза — без уточняющих вопросов и лишних попыток. 6 компонентов превращают размытое описание в структурированный контракт: Purpose (назначение), Usage Guidelines (когда использовать), Parameters (имя + тип + формат + пример), Limitations (что НЕ делает), Examples (конкретный вызов), Return Format (структура ответа). Добавил все компоненты → точность +5.85%. Но количество шагов выросло на 67% — детальные инструкции заставляют модель делать больше проверок.