Claude 开发者平台的高级工具使用
🎯 一句话
本文的三种能力分别处理工具定义过大、工具调用中间数据过多、复杂参数惯例不清:按需搜索、程序化调用、工具使用示例。先找到实际瓶颈,再选择组合。
本页先解决:瓶颈是工具发现、数据体积,还是调用惯例?
Claude 博客资料库 · 工具与MCP
瓶颈是工具发现、数据体积,还是调用惯例?
先定位瓶颈:发现工具、处理大量返回值、理解调用惯例,分别对应不同机制。
读完可以:按工具发现、数据体积、调用惯例三个瓶颈组合能力。
- 原文标题
- Introducing Advanced Tool Use on the Claude Developer Platform(Claude 开发者平台的高级工具使用)
- 原文链接
- https://www.anthropic.com/engineering/advanced-tool-use
- 作者
- Bin Wu 等(Anthropic)
- 发布日期
- 2025-11-24
📑 本页目录
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。原文发布时,Anthropic 将这三种能力作为 beta 特性介绍;以下版本号和启用方式保留发布时记录。
先定位瓶颈:发现工具、处理大量返回值、理解调用惯例,分别对应不同机制。
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。
组合策略依赖任务形态,不是把三项特性全部打开就能获得同样收益。
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。
✅ 检查点
- 三个高级工具特性分别解决哪个瓶颈?
- 工具定义太大和中间结果太大,应该选同一种办法吗?
- 工具使用示例与参数校验有什么不同?
👀 答案
- Tool Search 按需发现工具,减少预加载定义;Programmatic Tool Calling 在代码环境里组合调用和处理数据;Tool Use Examples 展示有效调用的惯例。
- 不是。定义太多先看工具搜索与延迟加载;结果太多先看程序化调用与过滤。可以组合,但要先确认主要瓶颈并记录实际 token、延迟和任务成功率。
- 示例帮助模型理解日期格式、可选字段和参数关系;Schema 与服务端校验仍需拒绝非法输入。示例不会自动成为安全边界。
本节回顾
先记住这几件事
- 先定位瓶颈:工具定义、中间数据,还是调用惯例。
- 分别选按需搜索、代码编排或示例,不必一次全部引入。
- 原文 beta 名称和工具版本属于发布时配置,实施前核对当前接口。