3.1 工具概述与工作原理

3.1.1 什么是工具使用 (Tool Use)？

在大型语言模型（LLM）的发展历程中，“工具使用”（Tool Use，又称 Function Calling）是一个里程碑式的飞跃。它标志着 AI 模型从单纯的“文本生成器”进化为能够与其环境交互的“智能代理”（Agent）。

简单来说，工具使用是指 Claude 等模型能够理解开发者定义的外部函数或 API，并在对话过程中根据用户的需求，自主判断、决策并生成调用这些工具所需的参数（通常是 JSON 格式）。

核心概念：

• 并非模型直接执行：重要的是要理解，Claude 本身并不直接运行代码或访问互联网（除非使用特定的服务端工具）。当你定义一个工具（例如 get_weather）时，Claude 只是输出了“我想要调用 get_weather，参数是 city='Beijing'”这样的指令。

• 执行在客户端：实际的 API 调用、数据库查询或代码执行，是由应用程序（客户端）在接收到 Claude 的指令后完成的。

• 闭环交互：应用程序执行完工具后，将结果（例如“北京气温 25度”）再次发送给 Claude，Claude 结合这个结果生成最终回复。

这种能力让 Claude 拥有了“双手”和“眼睛”，可以连接每一个 API，从简单的计算器到复杂的企业级 ERP 系统。

3.1.2 为什么需要工具？

虽然 Claude 拥有海量的训练数据和强大的逻辑推理能力，但作为预训练模型，它存在几个天然的局限性，而工具正是为了解决这些问题而生：

突破知识截止日期

模型的知识受限于其训练数据的截止时间。它无法通过自身知道“此时此刻”的股价、天气或最新的体育比分。通过连接 搜索工具 或 实时数据 API，Claude 可以获取最新的动态信息。

访问私有数据

Claude 无法访问个人文件、公司数据库或 CRM 系统。通过定义 数据检索工具，可以安全地赋予 Claude 访问特定私有数据的权限，使其成为专属的业务助手。

执行实际操作

仅靠生成文本无法改变现实世界。Claude 不能直接发送邮件、购买商品或重启服务器。通过 API 集成工具，Claude 可以代表用户执行确切的操作，实现真正的自动化。

增强计算与逻辑准确性

虽然 LLM 擅长逻辑推理，但在复杂的数学计算或精确的字符串处理上可能会出错。通过调用 Python 解释器 或 计算器工具，可以将这些精确任务外包给程序代码，确保准确率。

3.1.3 工具分类详解

根据工具的定义位置、执行载体及隐私边界，Claude 的工具体系主要分为两大类：

客户端工具 (Client-side Tools)

这是最常见、最灵活的工具类型，运行在开发者本地，也是大多数开发者主要使用的模式。

• 定义者：开发者。

• 执行者：开发者的应用程序代码。

• 数据流：数据在服务器和 Claude API 之间流转。

• 特点：

  • 高度定制：可以将任何 Python、Node.js 函数或 REST API 封装为工具。

  • 隐私安全：具体的业务逻辑和数据库连接完全运行在受控环境中，Claude 此时仅充当自然语言到 API 参数的转换器。

  • 示例：query_database（查询内部 SQL）、send_slack_message（发送消息）、control_smart_light（控制智能家居）。

服务端工具 (Server-side Tools)

这部分工具运行在 Anthropic 的云端环境中，旨在提供开箱即用的高级能力。

• 定义者：Anthropic。

• 执行者：Anthropic 的服务器。

• 特点：

  • 零代码集成：只需在 API 请求中声明启用，无需编写执行逻辑。

  • 特定场景优化：针对通用高频需求（如搜索、代码执行）进行了深度优化。

• 注意：Anthropic 正在逐步推出更多服务端工具，但在构建自定义 Agent 时，客户端工具依然是核心。

此外，还有一类特殊的 “Anthropic 定义的客户端工具”（如 Computer Use (计算机操控) 和 Text Editor）。这类工具的 Schema（输入输出格式）由 Anthropic 统一标准，以便模型经过专门训练能更好地使用它们，但其具体的执行环境（如虚拟机、浏览器）仍然由开发者在客户端提供。

3.1.4 核心工作流程 (The Tool Use Loop)

理解“请求-决策-执行-反馈”的循环是掌握 Agent 开发的关键。这是一个典型的 ReAct (Reasoning + Acting) 模式。

交互步骤

1. 定义与声明 (Define) 开发者在 API 请求的 tools 参数中提供可用的工具列表（包含名称、描述、参数 Schema）。

2. 用户提问 (Prompt) 用户发送消息，例如“帮我查一下查理公司的销售额”。

3. 模型决策 (Reasoning) Claude 分析用户意图，结合工具定义，判断是否需要使用工具。如果需要，它会生成一个 tool_use 内容块（包含工具名和参数，如 {"company": "Charlie"}）。 此时模型会暂停生成，等待外部输入。

4. 客户端执行 (Execution) 代码捕获到 stop_reason="tool_use"，解析模型返回的 JSON 参数，并在本地执行对应的 SQL 查询函数。

5. 结果回传 (Feedback) 代码将查询结果（如“$50,000”）封装在一个 tool_result 消息块中，发送回 Claude。

6. 最终生成 (Response) Claude 接收到工具结果，将其融入上下文中，生成最终给用户的自然语言回复：“查理公司的销售额为 50,000 美元。”

示例流程图

3.1.5 典型应用场景

工具使用将 Claude 的应用范围从“咨询对话”扩展到了“业务自动化”。

场景类别	具体示例	描述
外部信息获取	天气、股票、汇率查询	连接实时数据源，打破训练数据限制。
办公自动化	日历管理、邮件发送	"帮我约明天下午3点和张总的会议"，自动检查冲突并发送邀请。
数据分析助手	SQL 生成与查询	自然语言转 SQL，执行查询并解释数据报表。
客户服务 Agent	订单查询、退款处理	根据订单号查询物流状态，并根据政策自动发起退款流程。
代码与工程	代码解释器、Git 操作	自动编写代码、运行测试、提交代码库。
多模态操作	计算机操控 (Computer Use)	像人一样操控鼠标键盘，操作无法通过 API 访问的旧版 GUI 软件。

3.1.6 计费与 Token 消耗

在设计 Agent 时，必须考虑 Token 成本，因为工具定义和交互会显著增加 Context 长度。

成本构成

1. 工具定义 (Definition Overhead)： 所有的工具描述（Name, Description, Input Schema）都会作为 System Prompt 的一部分发送给模型。拥有几十个复杂工具的定义可能会占用数千 Token。 优化建议：仅发送当前场景必要的工具，或使用动态检索机制加载工具子集。

2. 思维链与决策 (Chain of Thought)： 为了准确使用工具，Claude 通常会进行内部推理（CoT），这增加了输出 Token 的数量。

3. 多轮交互 (Multi-turn Overhead)： 工具使用涉及“请求-执行-结果”的往返。每一轮对话历史（包括工具调用的具体的 JSON 参数和返回的详细结果）都需要保留在上下文中，随对话深度增加，Token 消耗呈线性甚至更高增长。

延迟考量

除了 Token 成本，工具使用引入了网络往返 (Network Round-trips)。一次简单的问答可能变成三次网络请求（LLM 决策 -> 工具执行 -> LLM 总结）。开发者需要优化本地工具的执行速度，并考虑流式输出（Streaming）来提升用户感知的响应速度。

3.1.7 安全与最佳实践

赋予 AI 执行操作的能力伴随着风险。

• 人机回环 (Human-in-the-loop)：对于高风险操作（如删除文件、转账、发送批量邮件），务必在 Tool 执行前加入人工确认步骤。

• 最小权限原则 (Least Privilege)：工具只能访问其任务必需的数据。不要把 rm -rf / 封装成工具。

• 清晰的描述：Claude 依靠工具的 description 字段来理解何时以及如何使用工具。编写详尽、无歧义的文档字符串（Docstrings）是提高成功率的各种最佳实践之首。

---

我们将从定义工具的基础结构开始，深入学习如何构建强大的 Agent。

➡️ 工具定义详解