除此之外，智能體也需要具備從代碼調用工具的能力，能夠根據當前任務靈活處理。Agent 不僅需要學習模式定義，還需要從示例中學習工具的正確用法。

而就在昨日，Anthropic 發布了三項測試功能，讓這一切成為可能。

• 工具搜索工具：允許 Claude 使用搜索工具訪問數千種工具，而無需占用上下文窗口。

• 程序化工具調用：Claude 在代碼執行環境中調用工具，從而減少對模型上下文窗口的影響。

• 工具使用示例：為演示如何有效使用特定工具提供了一個通用標準。

搜索工具

隨著連接的服務器數量增加，tokens 的數量也會不斷累積。

58 個工具就能消耗了大約 5.5 萬個令牌。在 Anthropic 的測試中，工具定義在優化之前就能消耗 13.4 萬個 tokens。

工具搜索工具不會預先加載所有工具定義，而是按需發現工具。Claude 只會看到當前任務實際需要的工具。

根據傳統方法，所有工具定義會預先加載，并且對話歷史記錄和系統提示會爭奪剩余空間。這就導致工作開始前，上下文總消耗量約為 77K 個tokens。

若使用工具搜索工具，僅預先加載工具搜索工具，而且會根據需要按需發現工具�？偵舷挛南�耗量僅約 8.7K 個代幣，保留了 95% 的上下文窗口。

測試表明，啟用工具搜索功能后，Opus 4 的準確率從 49% 提高到 74%，Opus 4.5 的準確率從 79.5% 提高到 88.1%。

值得注意的一點是，啟用工具搜索功能也需要權衡利弊。該功能會在工具調用前增加一個搜索步驟，當上下文節省和準確性提升帶來的收益超過額外延遲時，它才能帶來最佳的投資回報率。

由此看來，該功能在以下場景中發揮最大：

• 工具定義消耗超過 1 萬個令牌

• 構建具有多個服務器的 MCP 系統

• 10 多種可用工具

程序化工具調用

隨著工作流程變得越來越復雜，傳統的工具調用方式會帶來兩個根本性問題：第一，中間結果造成的上下文污染；第二，每次工具調用都需要一次完整的模型推理。

程序化工具調用使 Claude 能夠通過代碼而非單獨的 API 調用來協調工具。Claude 可以通過編寫代碼來調用多個工具，并控制哪些信息最終進入其上下文窗口。

該功能可以提升以下效率：

• 代幣節省：平均使用量從 43,588 個代幣降至 27,297 個 tokens，復雜研究任務的代幣消耗量減少了 37%。

• 降低延遲：在單個代碼塊中協調 20 多個工具調用，從而減少了 19 次以上的推理過程。

• 準確率提升：內部知識檢索準確率從 25.6% 提升至 28.5%； GIA 基準測試準確率從 46.5% 提升至 51.2%。

程序化工具調用最適合處理大型數據集、運行多步驟工作流、處理中間數據并執行操作多個項目。

工具使用示例

JSON Schema 擅長定義結構，但它無法表達使用模式。比如何時包含可選參數、哪些組合有意義。

工具使用示例則允許直接在工具定義中提供示例工具調用。這樣無需依賴模式就能向 Claude 展示具體的用法模式。

• 格式規范：日期采用 YYYY-MM-DD 格式，用戶 ID 采用 USR-XXXXX 格式，標簽采用 kebab-case 格式。

• 嵌套結構模式：構建帶有嵌套聯系人對象的報告者對象。

• 可選參數關聯：包含完整的聯系信息和升級機制，并有嚴格的服務級別協議 (SLA)。

在 Claude 內部測試中，工具使用示例將復雜參數處理的準確率從 72% 提高到 90%。

工具使用示例適用于復雜的嵌套結構、具有眾多可選參數和包含模式的工具等。

參考資料：

https://www.anthropic.com/engineering/advanced-tool-use