《Writing effective tools for agents — with agents》
为 AI agent 构建工具，核心是为不确定性系统设计接口，这要求我们彻底转变传统软件开发的确定性思维。
• 开发循环：构建工具不再是单向的开发过程，而是一个与 agent 协同的迭代循环。通过「快速原型 → 综合评估 → agent 辅助优化」的流程，系统化地提升工具性能。
• 工具哲学：少即是多。避免为每个 API 端点创建工具，应专注于整合高频、多步操作，构建面向核心工作流的复合工具。这能有效降低 agent 在决策链中的“认知负荷”。反直觉的例子：提供 `search_logs` 而非 `read_logs`，提供 `schedule_event` 而非独立的 `list_users`, `list_events`, `create_event`。
• 接口设计：agent 的理解力至关重要。
- 命名空间：通过前缀（如 `asana_projects_search`）为工具集划分清晰的功能边界，减少 agent 的选择困惑。
- 描述工程：工具描述是“给 agent 的文档”，其重要性堪比代码本身。清晰、无歧义的参数命名（`user_id` 优于 `user`）和详尽描述，是提升 agent 调用成功率最有效的方法之一。
• 上下文效率：agent 的 context 是最宝贵的资源，每一滴都不能浪费。
- 返回高信噪比信息：优先返回人类可读的自然语言标识符，而非 `uuid` 等底层技术 ID。
- 优化 token 消耗：默认实现分页、截断和过滤机制。工具可提供 `concise` 和 `detailed` 等不同响应格式，让 agent 自主控制信息密度。
- 引导式错误：错误信息应包含清晰的修复建议，引导 agent 调整其后续的工具调用策略，而非返回无用的错误码。
心得：
1. 开发范式已从“为人写代码”转向“为 agent 写工具”。核心差异在于，交互对象从确定性系统变为一个拥有有限“认知”资源、行为非确定的智能体。
2. Agent 的 context 是最稀缺的资源。所有工具设计的终极目标都是提升其“token 效率”，无论是功能整合、信息过滤还是返回格式，本质都是在为 agent 的“思考”减负。
3. 最佳的工具开发者，也是 agent 本身。利用 agent 运行评估、分析结果、重构代码，形成一个强大的元能力闭环，让工具和 agent 共同进化。
详情链接🔗 anthropic.com/engineering/writing-tools-for-agents
人工智能 AIagent LLM 工具构建 模型交互
