除此之外，智能体也需要具备从代码调用工具的能力，能够根据当前任务灵活处理。Agent 不仅需要学习模式定义，还需要从示例中学习工具的正确用法。

而就在昨日，Anthropic 发布了三项测试功能，让这一切成为可能。

• 工具搜索工具：允许 Claude 使用搜索工具访问数千种工具，而无需占用上下文窗口。

• 程序化工具调用：Claude 在代码执行环境中调用工具，从而减少对模型上下文窗口的影响。

• 工具使用示例：为演示如何有效使用特定工具提供了一个通用标准。

搜索工具

随着连接的服务器数量增加，tokens 的数量也会不断累积。

58 个工具就能消耗了大约 5.5 万个令牌。在 Anthropic 的测试中，工具定义在优化之前就能消耗 13.4 万个 tokens。

工具搜索工具不会预先加载所有工具定义，而是按需发现工具。Claude 只会看到当前任务实际需要的工具。

根据传统方法，所有工具定义会预先加载，并且对话历史记录和系统提示会争夺剩余空间。这就导致工作开始前，上下文总消耗量约为 77K 个tokens。

若使用工具搜索工具，仅预先加载工具搜索工具，而且会根据需要按需发现工具。总上下文消耗量仅约 8.7K 个代币，保留了 95% 的上下文窗口。

测试表明，启用工具搜索功能后，Opus 4 的准确率从 49% 提高到 74%，Opus 4.5 的准确率从 79.5% 提高到 88.1%。

值得注意的一点是，启用工具搜索功能也需要权衡利弊。该功能会在工具调用前增加一个搜索步骤，当上下文节省和准确性提升带来的收益超过额外延迟时，它才能带来最佳的投资回报率。

由此看来，该功能在以下场景中发挥最大：

• 工具定义消耗超过 1 万个令牌

• 构建具有多个服务器的 MCP 系统

• 10 多种可用工具

程序化工具调用

随着工作流程变得越来越复杂，传统的工具调用方式会带来两个根本性问题：第一，中间结果造成的上下文污染；第二，每次工具调用都需要一次完整的模型推理。

程序化工具调用使 Claude 能够通过代码而非单独的 API 调用来协调工具。Claude 可以通过编写代码来调用多个工具，并控制哪些信息最终进入其上下文窗口。

该功能可以提升以下效率：

• 代币节省：平均使用量从 43,588 个代币降至 27,297 个 tokens，复杂研究任务的代币消耗量减少了 37%。

• 降低延迟：在单个代码块中协调 20 多个工具调用，从而减少了 19 次以上的推理过程。

• 准确率提升：内部知识检索准确率从 25.6% 提升至 28.5%； GIA 基准测试准确率从 46.5% 提升至 51.2%。

程序化工具调用最适合处理大型数据集、运行多步骤工作流、处理中间数据并执行操作多个项目。

工具使用示例

JSON Schema 擅长定义结构，但它无法表达使用模式。比如何时包含可选参数、哪些组合有意义。

工具使用示例则允许直接在工具定义中提供示例工具调用。这样无需依赖模式就能向 Claude 展示具体的用法模式。

• 格式规范：日期采用 YYYY-MM-DD 格式，用户 ID 采用 USR-XXXXX 格式，标签采用 kebab-case 格式。

• 嵌套结构模式：构建带有嵌套联系人对象的报告者对象。

• 可选参数关联：包含完整的联系信息和升级机制，并有严格的服务级别协议 (SLA)。

在 Claude 内部测试中，工具使用示例将复杂参数处理的准确率从 72% 提高到 90%。

工具使用示例适用于复杂的嵌套结构、具有众多可选参数和包含模式的工具等。

参考资料：

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