在过去几十年里，软件开发的底层逻辑一直没变：函数是确定的，调用是可靠的，系统是可控的。

这种“稳定性”造成的效果就是：输入确定，输出唯一，行为透明。

但自从大模型（LLM）和智能体（AI Agent）登上舞台，这条铁律就被彻底打破了。

智能体更像是一个“拥有主观能动性”的协作者，它可能选择调用工具，也可能不调用；可能理解指令，也可能误解语境；甚至同样的输入，今天和明天都可能给出完全不同的结果。

那么，问题来了，如果智能体本身就是“不确定性的”，那我们该如何为它设计“确定性”的工具？

Anthropic 研究团队最近分享了一套系统方法论，今天这篇文章就从工程实践角度出发，深度拆解。

---

01｜为什么智能体工具设计这么重要？

智能体强，就强在工具。

大模型本身的能力是很有限的，只能依赖训练数据概率输出。

比如它不能联网搜索实时信息、不能查询天气、不能发邮件。

这时候就需要给 AI 模型配备各种“工具”（Tools）。

举个例子，当你问一个配备了联网工具的智能体“今天需要带伞吗？”，它可能会：

• 先询问你在哪个城市

• 调用天气查询工具获取实时天气

• 根据自己的知识判断是否需要带伞

划重点：智能体（AI Agent）的能力上限，很大程度上取决于我们给它配备的工具质量。

工具设计得好，智能体就能高效完成任务；设计得不好，它可能会绕弯路，甚至直接罢工。

如果说传统软件是确定性系统之间的契约（比如输入 A 永远得到输出 B），那么工具就是确定性系统与非确定性智能体之间的契约。

这也意味着我们需要用完全不同的思路来为智能体设计工具。

---

02｜Anthropic 的工具设计方法

核心流程：原型 -> 评估 -> 优化

Anthropic 分享的工具设计方法，和软件开发（尤其是 AI 时代的开发）非常类似。

第一步：快速搭建原型

先别想太多，快速实现一个能用的版本。

• 用 AI 编程工具（如 Claude Code、Codex）来写工具代码

• 通过 MCP 协议或 API 直接测试

• 测试真实使用场景，收集用户反馈

以现阶段 AI 的能力，给定相关的库、APIs、SDKs 文档，很快就能生成一个基础版本。

第二步：构建评估系统

这是整个方法的核心。

你需要运行评估来衡量这个工具的效果。

1. 生成测试任务：创建几十个真实场景的任务

2. 运行自动化测试：让智能体执行这些任务

3. 收集关键指标：成功率、工具调用次数、Token 消耗等

高质量任务示例：

Schedule a meeting with Jane next week to discuss our latest Acme Corp project. Attach the notes from our last project planning meeting and reserve a conference room.

低质量任务示例（过于简单）：

Schedule a meeting with jane@acme.corp next week.

主要差别在于：高质量任务更接近真实场景，需要多个工具配合，能测试出工具的真正表现。

第三步：让 AI 优化自己的工具

以彼之矛，攻彼之盾。

这是最有意思的部分，值得借鉴。

把评估结果，包括失败案例、智能体的思考过程，全部投喂给 AI 工具，让它来分析问题并优化工具。

Claude Code 自动化评估流程：编写工具、运行测试、发现问题、即时优化

根据 Anthropic 的统计数据，经过 Claude Code 优化后的 Slack 工具性能提升了约 15%，Asana 工具提升了约 20%。还蛮可观的提升幅度。

Slack 工具性能对比：Claude 优化后的版本将准确率从 67.4% 提升至 80.1%

Asana 工具性能对比：通过 AI 自优化，准确率从 79.6% 提升至 85.7%

AI 时代，用 AI，来优化 AI。

---

03｜智能体工具设计原则

接下来聊几个智能体工具设计原则。

1. 选择合适的工具

工具并不是越多越好。

而是，越合适越好。

以在通讯录中搜索联系人这一任务为例。

• 不好的设计：list_all_contacts() 返回所有联系人

• 好的设计：search_contacts(name="张三") 直接搜索

原因很简单，智能体的上下文长度有限，返回太多无关信息会浪费 Token，降低效率。

2. 工具命名空间

当工具多了之后，清晰的命名变得很重要。

asana_projects_search()
asana_users_search()
jira_projects_search()
jira_users_search()

这种工具命名方式能帮助智能体快速理解每个工具的用途和边界，降低调用出错的风险。

3. 返回内容优化

• 优先返回语义化的信息（如“张三”而不是 “user_1234”）

• 提供响应格式控制（简洁版 concise /详细版 detailed）

• 合理设置分页和截断

Anthropic 的测试显示，仅仅是把 UUID 改成更有意义的标识符，就能显著减少智能体的出错率。

4. Token 效率优化

智能体的上下文是有成本的，每个 Token 都是算力，都是钱。

所以，优化工具返回给智能体的信息量就变得很重要。

不是返回越多信息越好，而是返回“刚刚好”的信息，既满足需求，又不浪费上下文。

具体来说，可以这样操作。

• 设置响应上限：Claude Code 默认限制工具响应为 25,000 个 Token

• 智能分页：不要一次返回 1000 条记录，而是分批次返回

• 有效截断：截断时告诉智能体还有更多内容，引导它缩小搜索范围

5. 提示工程优化

据 Anthropic 表示，这是工具优化最有效的方法之一。

工具描述和规范就像是给新员工写的操作手册，会被默认带入上下文，引导智能体调用合适的工具。

• 明确说明输入输出格式

• 解释专业术语

• 提供使用示例

• 说明注意事项

---

04｜实践建议

如果你也想尝试这套方法，建议从小处着手。

先针对一个具体使用场景设计工具，比如“自动整理会议纪要”或“批量处理客户工单”，不要一上来就想做个“大而全”的万能助手。

评估标准很重要。你需要建立起一套评估机制，像运行单元测试一样定期评估工具性能。

即使只有 10 个测试用例，也能帮你发现大部分问题。

更重要的是制定统一的工具设计规范，命名、传参、错误返回，小细节会直接影响智能体的整体表现。

---

结语

回到开头那个悖论，我们该如何为“不确定”的智能体，设计“确定”的工具？

Anthropic 的答案是 —— 既然无法消除不确定性，那就拥抱它。

让 AI 参与到工具的设计和优化中来，用智能体的视角，理解智能体的工作方式。

这有点像“套娃”，用工具来改进工具本身。

当然，这套方法也有局限性。

它更适合有明确任务边界的场景，对于开放的创造性任务可能效果有限。

但从更大的视角来看，它指向的，或许是一种新的开发范式，是一次思维方式的重塑。

---

参考链接

1. Writing effective tools for agents — with agents. Anthropic, 2025 年 9 月. 链接：https://www.anthropic.com/engineering/writing-tools-for-agents

---

我是木易，一个专注 AI 领域的技术产品经理，国内 Top2 本科 + 美国 Top10 CS 硕士。

相信 AI 是普通人的“外挂”，致力于分享 AI 全维度知识。这里有最新的 AI 科普、工具测评、效率秘籍与行业洞察。

欢迎关注“AI信息Gap”，用 AI 为你的未来加速。

---

精选推荐