Introducing Advanced Tool Use on the Claude Developer Platform（Claude 开发者平台的高级工具使用）

有效的 Agent 需要三种传统工具调用模式给不了的能力：不耗上下文的动态工具发现、用代码而非逐次 API 调用的高效编排、从用法示例（而非仅 schema）学习。Anthropic 为此发布三个 beta 特性。

特性一：Tool Search Tool（工具搜索）

解决的问题： 工具定义吞噬 token 预算。示例：GitHub+Slack+Sentry+Grafana+Splunk 五个服务器共 58 个工具，对话还没开始就消耗约 55K token；再加 Jira 逼近 100K+。

工作方式： - 工具标记 defer_loading: true 延迟加载 - 初始只加载搜索工具本身（约 500 token） - Claude 需要时搜索相关工具，只有匹配的工具才展开进上下文

效果： - token 用量减少 85%，同时保有完整工具库访问 - 准确率提升：Opus 4 从 49% → 74%；Opus 4.5 从 79.5% → 88.1% - 与 prompt caching 兼容（延迟加载的工具不在初始提示词中）

适用： 10+ 工具的大型库、多 MCP server、工具定义超 10K token 时。

特性二：Programmatic Tool Calling（程序化工具调用）

解决的问题： 中间结果污染上下文 + 推理开销。处理 10MB 日志会把整个文件挤进上下文；跨表查询会累积每一条记录。

工作方式： 1. 工具标记 allowed_callers: ["code_execution_20250825"] 2. Claude 生成 Python 代码编排多个工具调用 3. 工具结果在代码执行环境中处理，不进 Claude 上下文 4. 只有最终输出进入上下文窗口

例子——差旅预算核查： - 传统方式：20+ 次工具调用，2,000+ 条报销明细（约 50KB）全进上下文 - 程序化：脚本处理全部数据，Claude 只看到 3-5 个超预算的人

效果： - token 平均减少 37%（43,588 → 27,297） - 并行执行 + 减少推理轮次带来延迟改善 - 准确率：知识检索 25.6% → 28.5%；GIA 基准 46.5% → 51.2%

适用： 有依赖关系的多步流程、并行操作、大数据集摘要、条件逻辑。实际应用：Claude for Excel 用它处理数千行表格而不压垮上下文。

特性三：Tool Use Examples（工具使用示例）

解决的问题： JSON Schema 只定义结构合法性，表达不了使用惯例——日期格式（"2024-11-06" 还是 "Nov 6, 2024"？）、ID 惯例（UUID 还是 "USR-12345"？）、嵌套结构何时填、参数之间的关联（升级级别与 SLA 小时数如何随优先级变化）。

工作方式： 在工具定义中加入 input_examples 数组，展示最小、部分、完整三类调用示例。Claude 从少量示例中学会格式惯例、嵌套模式和参数关联。

效果： 复杂参数处理的准确率从 72% → 90%。

适用： 复杂嵌套结构、有领域惯例的 API、大量可选参数、区分相似工具。

组合策略

按最大瓶颈选择切入点，而非同时全上： - 工具定义撑爆上下文 → Tool Search Tool - 中间结果太大 → Programmatic Tool Calling - 参数错误频发 → Tool Use Examples

配置要点： 常用的 3-5 个工具保持常载，其余延迟加载；文档写清返回格式；示例用真实数据而非泛型占位符，每个工具 1-5 个。

API 启用：betas=["advanced-tool-use-2025-11-20"]。

结论

三个特性共同让 Agent 突破基础限制：动态发现代替预载全部定义、代码编排代替逐次推理调用、示例学习补足 schema 校验。按瓶颈分层采用，支撑跨数十个工具和大数据集的复杂 Agent 工作流。