Anthropic的工程师们刚刚分享了他们构建有效AI代理工具的蓝图。 以下是你需要知道的内容： 1. 选择有针对性的工具 不要只是简单封装现有的API。构建与代理思考方式相匹配的工具——搜索而非列出，整合而非分离。 2. 清晰命名空间 使用像asana_search和jira_search这样的前缀，以防止代理在访问数百种工具时发生混淆。 3. 返回相关上下文 跳过技术性ID和低级细节。代理在使用自然语言名称和语义上有意义的数据时表现更好。 4. 优化令牌使用 实现分页、过滤和截断。默认限制：每个工具响应25,000个令牌。 5. 精心设计工具描述 编写工具描述时，就像在培训新团队成员一样。工具描述的微小变化可以显著提高任务完成率。 他们甚至明确了一个行之有效的三步流程： 步骤1. 构建原型 - 使用Claude Code快速实现工具原型。在本地使用MCP服务器或桌面扩展进行测试。 步骤2. 运行评估 - 根据实际工作流程生成真实的评估任务。测量准确性、令牌使用量和工具调用模式。 步骤3. 与代理协作 - 让Claude分析记录并自动重构你的工具以获得更好的性能。 结果不言自明。代理优化的工具在多个基准测试中始终优于人类专家的实现。 最重要的见解是：代理需要为他们的特定限制设计的工具——有限的上下文、令牌效率和自然语言处理。 传统软件模式在这里并不适用。