用Qwen-7B做Agent，本来信心满满，结果MCP一跑，选工具选不对、参数填得稀巴烂，准确率惨不忍睹，最高也就60%徘徊。
后来我发现：普通LoRA根本救不了复杂工具调用。
真正能救命的，是2026年最火的解耦微调（Decoupled Fine-Tuning）。
一句话总结它的核心：
把“选工具”和“填参数”彻底拆开，分别训练两个LoRA，谁也别干扰谁。
只用3步，就能让你的模型起飞
第一步：拆任务，造数据不再一股脑丢给模型全部轨迹，而是切成两份干净的数据集：
数据集A（工具选择）：历史对话 → 只输出工具名字 数据集B（参数生成）：历史 + “已选工具：xxx” → 只输出JSON参数
用Claude/GPT批量生成，1个工具300-800条，10个工具也就几千条，成本不高。
第二步：分别训两个LoRA
第一个LoRA：只负责选工具（共享一个适配器） 每个工具再训一个专属LoRA：只负责生成该工具的参数
用QLoRA + LLaMA-Factory或者HuggingFace PEFT，单张4090或A100就能跑，3个epoch几小时搞定。
第三步：推理时动态拼装对话来了 → 先加载选工具LoRA → 得到工具名 再加载对应工具的参生成LoRA → 拿到完美JSON 执行 → 循环
实测效果我之前MCP准确率60%出头，用解耦微调后直接冲到92-95%，幻觉和格式错误几乎消失，Agent终于能稳定干活了。
想立刻上手？
最快路径：
克隆 LLaMA-Factory 或用 unsloth 加速 先把工具列表写成OpenAI schema 用强模型批量生成拆分好的数据集 分别训 selection 和 per-tool argument LoRA vLLM + LoRAX 动态加载推理
一句话总结别再死磕一个LoRA包打天下了。工具调用任务，解耦才是王道。
2026年做Agent的人，谁先掌握解耦微调，谁就能领先一步。
