一句话定义：工具过载（Tool Overload）是指交给 AI 模型或智能体（Agent）的可调用工具（Tool，也叫 AI 词典：Function Calling">Function Calling）数量过多，导致它选错工具、传错参数、漏掉步骤，整体能力反而下降的现象。
要理解它，先看模型每次调用工具时在做什么。它要读完所有候选工具的名称、用途说明和参数定义，再从中挑一个，并按照说明把参数填对。工具少时，这一步几乎不费力气；工具一多，问题就来了：描述开始变得相似。search_docs 和 query_knowledge_base 到底谁查内部文档？read_file 和 load_content 差在哪？参数名称也各不相同，有的要 path，有的要 file_path，还额外要求 encoding。与此同时，这一大堆工具定义占满了上下文（Context），真正重要的任务信息被挤到一边，模型更容易出现看完就忘，或者只记住一半的情况。
打个生活化的比方：跟一位新同事说：“有事找财务”，再给他 3 个号码，他很快就能拨对；如果给他一张列了 50 个联系人的表格，他反而要在“财务部王姐”和“财务共享中心”之间反复犹豫，还可能拨成隔壁行政。工具箱的关键在于好找，而不在于装得多。
这里要和几个相邻概念区分开：
| 概念 | 关注点 | 典型表现 |
|---|---|---|
| 工具过载 | 可调用的工具太多 | 选错工具、传错参数 |
| 上下文过载 | 上下文里的信息太多 | 抓不住重点、忽略中间内容 |
| 工具缺失 | 没有能用的工具 | 编造答案、绕路硬做 |
工具过载的直接后果是工具调用失败（Tool Call Failure），但两者是因果关系，不能画等号：调用失败还可能是因为工具本身有 bug 或权限不足。
对从业者的实际意义：不要在智能体里不加筛选地接入几十个插件。常见做法是按场景拆分工具子集，一次只给当前任务真正需要的那几个，例如查询类任务就先只给检索工具，等到确实需要再开放写操作。工具名称和描述要写清边界，并说明“什么时候不该用它”；命名风格要统一，参数尽量对齐。工具总数没有统一阈值，但趋势很明确：候选越多，选错的概率就越高。工具规模较大时，可以先做一层工具检索（Tool Retrieval），先选出几个候选，再交给模型挑选。
对普通职场人的意义：给 AI 接入插件、连接各种 SaaS 系统时，不要只因为“能接上”就都接上。一个任务只保留三五个必要工具，效果往往比全都打开更好。这个道理放到人身上也成立：不是收藏了 80 个效率 App 就效率高，因为每次打开前先纠结用哪个，本身就是成本。