本章小结

本章跨越了大型语言模型（LLM）最重要的分水岭：从“被动问答”进化为“主动代理”。通过掌握工具使用（Tool Use），Claude 不再被禁锢在预训练的文本框中，而是获得了感知世界、操纵数据和执行任务的“双手”。

核心知识点回顾

工具的本质

工具不仅仅是 API 调用，更是 Claude 逻辑推理能力的延伸。

• 客户端工具：你掌握控制权，Claude 负责意图识别和参数生成。

• 服务端工具：Anthropic 提供的开箱即用能力（如联网搜索）。

定义的力量

• Description is Prompt：工具描述是系统提示词的一部分，决定了调用的准确率。

• JSON Schema：精确的参数类型定义（Enum, Required, Format）是防止幻觉的第一道防线。

请-算-行-馈

我们深入剖析了 Agent 运行的生命周期：

1. Stop Reason: 识别 tool_use 信号。

2. Execution: 并行或串行执行业务逻辑。

3. Result: 构造包含 Text 或 Image 的 tool_result。

4. History: 维护完整的对话链条是成功的关键。

复杂编排

• 并行模式：利用 asyncio 降低多工具调用的延迟。

• 人机协作 (HITL)：在关键操作前引入人工审批，确保安全。

• 状态管理：学会区分哪些状态属于 Context，哪些属于外部数据库。

高级特性

• 程序化工具调用：让 Claude 写代码而不是发 JSON，极大提升了处理复杂逻辑和大量数据的效率。

• 工具搜索：通过“按需加载”机制，解决了 Token 限制与大规模工具库之间的矛盾，为构建拥有成千上万技能的超级 Agent 铺平了道路。

开发者自检清单

在开始构建你的 Agent 之前，请通过以下问题自检：

• 命名规范：我的工具名称是否清晰，且不易与现有工具混淆？

• 描述完整：description 是否包含了“何时使用”、“参数格式”以及“返回什么”？

• 错误处理：当 API 失败时，我是否返回了 is_error: true 且带有指导性的错误信息？

• Token 预算：我的工具定义是否过于冗长？是否需要使用工具搜索？

• 安全性：是否为了方便而赋予了过大的权限（如 DROP TABLE）？是否有人工确认环节？

下一站：标准化连接

虽然我们已经学会了如何定义工具，但在现实世界中，连接不同的数据源（Google Drive, Slack, PostgreSQL）往往涉及繁琐的适配工作。

有没有一种通用的标准，让我们能像插 USB 设备一样，即插即用地扩展 Claude 的能力？

答案就是 MCP (Model Context Protocol)。

➡️ 进入第 4 章：MCP 模型上下文协议