用户反馈GLM5.2不主动调用技能

背景

在当前的 AI 应用生态中，通过引入“技能”（Skills）或“智能体工作流”来增强大语言模型（LLM）的能力已成为一种常见实践。用户通常会在提示词（Prompt）中预设特定的入口技能，期望模型能够根据上下文自动触发这些技能，进而调用更细分的子技能以完成复杂任务。

然而，不同模型在指令遵循和自主决策能力上存在显著差异。近期，在 LINUX DO 社区的 AI 板块中，一位用户反馈在使用 GLM 5.2 模型时遇到了技能调用失效的问题。该用户此前在使用 GPT 或 Claude 模型时，配合 qiushi 工具及 arming-thought 入口技能，能够实现每轮对话自动触发并智能选择子技能（如“实事求是”）。但在切换至 GLM 5.2 后，无论是自动触发还是手动指定，模型均表现出对技能调用的“惰性”或“失效”，引发了关于模型行为机制的讨论。

核心内容

该帖子详细描述了一位开发者在跨模型迁移工作流时遇到的具体技术障碍，核心内容如下：

1. 现象描述：GLM 5.2 缺乏主动调用能力 用户指出，GLM 5.2 模型不会像 GPT 或 Claude 那样，主动根据当前的提示词和对话情境去调用预设的技能入口。在之前的工作流中，arming-thought 作为一个入口技能，能够在每轮对话开始时自动激活，并引导模型进入特定的处理逻辑。但在 GLM 5.2 上，这一自动化过程完全失效。

2. 具体案例：子技能调用失败 即使用户在提示词中明确指令本次对话必须使用 arming-thought 技能，GLM 5.2 在启用该入口技能后，依然无法进一步调用其下属的子技能。

   • 对比案例：在 qiushi 的工作流中，arming-thought 下包含如“实事求是”等子技能。
   • 故障表现：即便当前对话情境完全符合调用“实事求是”等子技能的逻辑条件（即没有任何理由不调用），GLM 5.2 也未能执行调用动作。这表明问题不仅在于入口的触发，更在于模型内部对技能层级结构的理解和执行意愿。

3. 用户诉求 用户寻求解决方案，希望了解如何配置或调整提示词/工作流，以迫使或引导 GLM 5.2 恢复类似 GPT/Claude 的技能主动调用行为。

关键要点

• 模型行为差异显著：GPT 和 Claude 等主流模型在预设工作流中表现出较强的“主动性”，能够自动识别情境并触发入口技能；而 GLM 5.2 在此场景下表现出被动性，缺乏自动触发机制。
• 指令遵循的局限性：即便通过提示词显式指定使用特定技能（如 arming-thought），GLM 5.2 仍无法正确执行后续的嵌套逻辑（即调用子技能）。这说明单纯的指令增强可能不足以解决模型对复杂技能树的结构化理解问题。
• 工作流兼容性挑战：针对 GPT/Claude 优化的技能工作流（如 qiushi + arming-thought）不能直接平移至 GLM 5.2，需要针对 GLM 的模型特性进行重新设计或调整。
• 技能层级执行断裂：问题不仅限于“是否调用入口技能”，更在于“入口技能激活后无法向下穿透至子技能”，反映出模型在处理多步骤、层级化任务分解时的潜在短板。

意义与影响

1. 对 AI 应用开发者的启示： 不同大模型在“自主性”（Autonomy）和“指令遵循”（Instruction Following）上的表现并非一致。开发者在设计 Agent 或技能工作流时，不能假设所有模型都能像 GPT 或 Claude 那样自动处理复杂的技能路由逻辑。必须针对特定模型（如 GLM 系列）进行专门的 Prompt 工程优化或引入中间层逻辑来弥补模型自主性的不足。

2. 提示词工程的精细化需求： 该案例表明，简单的“启用技能”指令可能不够。对于 GLM 5.2 这类模型，可能需要更结构化的提示词（如使用 XML 标签、明确的步骤分解、或 Few-Shot 示例）来强制模型执行子技能调用，或者需要在系统层面通过代码逻辑而非仅靠模型自身判断来触发技能。

3. 生态碎片化加剧： 随着不同模型在行为模式上的分化，AI 应用生态可能出现碎片化。一套通用的技能描述文件（Skill Manifest）可能无法在所有模型上无缝运行，开发者可能需要维护多套适配不同模型特性的工作流配置，增加了开发和维护成本。

4. GLM 模型的优化方向： 对于智谱 AI 而言，此反馈指出了 GLM 5.2 在复杂任务分解和工具/技能调用方面的潜在改进空间。未来版本的模型若能在保持高准确率的同时，增强对预设工作流和层级化技能的主动遵循能力，将显著提升其在自动化工作流场景下的竞争力。