AI Agent开发新范式：Anthropic三大功能详解，从“实习生“到“工程师“的进化（必学收藏）

这篇文章，我将带你深入拆解这三个功能——Tool Search Tool、Programmatic Tool Calling 和 Tool Use Examples。它们分别瞄准了AI Agent开发中最头疼的三个问题：找工具、用工具、以及用对工具。

第一招：Tool Search Tool——让AI学会"查字典"

痛点：工具太多，上下文先爆了

来看一个真实的数据。当你给AI接入5个常见的MCP服务时：

服务	工具数量	Token消耗
GitHub	35个工具	~26K tokens
Slack	11个工具	~21K tokens
Sentry	5个工具	~3K tokens
Grafana	5个工具	~3K tokens
Splunk	2个工具	~2K tokens
合计	58个工具	~55K tokens

还没开始干活，55K tokens就没了。如果再加上Jira（~17K tokens），你的上下文直接逼近100K。Anthropic透露，他们内部测试时甚至见过134K tokens被工具定义吃掉的极端情况。

更致命的是，工具太多还会让AI"眼花"。当存在notification-send-user和notification-send-channel这样名字相近的工具时，AI很容易选错。

解法：按需加载，而非全量预载

Tool Search Tool的思路很简单：不要让AI背着整个工具箱上路，而是教它使用"工具目录"。

实现方式是这样的：你把所有工具定义照常提交给API，但给绝大多数工具标记上defer_loading: true。这些工具不会进入AI的初始上下文——AI一开始只看到一个"搜索工具"的能力（大约500 tokens）。

当任务来临时，AI会先搜索"我需要什么工具"，找到相关的3-5个工具后，才把它们的完整定义加载进来。

效果如何？看这张官方对比图：

Tool Search Tool对比图

左边是传统方式：所有工具定义预加载，消耗77K tokens；右边是Tool Search Tool：按需加载，只消耗8.7K tokens

• Token消耗：从77K降至8.7K，节省近90%
• 准确率提升：Opus 4从49%提升到74%，Opus 4.5从79.5%提升到88.1%

这就像是把"死记硬背"变成了"开卷考试"——AI不需要记住所有工具的细节，只需要知道"有这么一本目录可以查"。

第二招：Programmatic Tool Calling——让AI用代码说话

痛点：回合制交互，中间结果撑爆上下文

这个痛点我在上一篇文章里详细讲过。传统的工具调用是"你一句我一句"的回合制：

1. AI请求获取员工列表（等待…）
2. 系统返回20个员工
3. AI逐个请求每个人的账单（等待20次…）
4. 系统返回几千条账单流水（AI被迫全部读入上下文）
5. AI终于得出结论

问题在于：那几千条账单明细，AI真正需要的只是"谁超标了"这个结论，但它不得不把所有原始数据都塞进自己的"大脑"里。

解法：让AI写脚本，自己跑批处理

Programmatic Tool Calling允许AI编写一段Python代码来编排整个工作流。代码在安全沙箱中运行，自行调用工具、处理数据、做聚合计算，最后只把精炼的结果返回给AI。

Programmatic Tool Calling流程图

关键区别：工具调用的结果不再返回给模型，而是在代码执行环境中直接处理，最终只有精炼结果进入AI上下文

看这段AI生成的代码：

team = await get_team_members("engineering")
# 并行获取所有级别的预算
levels = list(set(m["level"] for m in team))
budget_results = await asyncio.gather(*[
get_budget_by_level(level) for level in levels
])
budgets = {level: budget for level, budget in zip(levels, budget_results)}
# 并行获取所有人的开支
expenses = await asyncio.gather(*[
get_expenses(m["id"], "Q3") for m in team
])
# 计算超标人员
exceeded = []
for member, exp in zip(team, expenses):
budget = budgets[member["level"]]
total = sum(e["amount"] for e in exp)
if total > budget["travel_limit"]:
exceeded.append({
"name": member["name"],
"spent": total,
"limit": budget["travel_limit"]
})
print(json.dumps(exceeded))

这段代码的精妙之处：

1. 并行执行：用asyncio.gather同时发起多个请求，而不是逐个等待
2. 本地计算：数据聚合在沙箱里完成，不经过AI的上下文
3. 精准输出：AI最终只看到exceeded这个列表，而非2000+条原始账单

实测数据：

• Token消耗：从43,588降至27,297，减少37%
• 准确率：GIA基准测试从46.5%提升至51.2%
• 延迟：省掉了19+次模型推理的时间

Anthropic还透露，他们的新产品Claude for Excel就是用这个技术实现的——可以读写几千行的电子表格，而不会撑爆上下文。

第三招：Tool Use Examples——用例子说话

痛点：JSON Schema能定义结构，但无法传达"潜规则"

这是一个容易被忽视、但实战中极其恼人的问题。

看这个工单创建工具的Schema：

{
"due_date": {"type": "string"},
"reporter_id": {"type": "string"}
}

Schema告诉AI：“这两个字段都是字符串”。但它没说：

• due_date到底要2025-11-25还是Nov 25, 2025？
• reporter_id是12345还是USR-12345？

以前，开发者只能在描述里写一大堆文字说明，或者祈祷AI猜对。

解法：直接给例子，一看就懂

Tool Use Examples允许你直接在工具定义里嵌入具体的调用示例：

{
"name": "create_ticket",
"input_schema": {...},
"input_examples": [
{
"title": "Login page returns 500 error",
"priority": "critical",
"reporter": {"id": "USR-12345", "name": "Jane Smith"},
"due_date": "2024-11-06"
},
{
"title": "Add dark mode support",
"reporter": {"id": "USR-67890", "name": "Alex Chen"}
},
{
"title": "Update API documentation"
}
]
}

三个例子，AI瞬间学会：

• 日期格式是YYYY-MM-DD
• 用户ID是USR-开头的
• 紧急bug要填完整信息，普通需求可以简化，内部任务只需标题

这就是少样本学习（Few-shot Learning）直接嵌入工具层。效果：复杂参数的调用准确率从72%飙升到90%。

组合拳：三者如何协同工作？

这三个功能不是孤立的，它们解决的是AI使用工具的完整链路：

环节	痛点	解法
发现工具	工具定义太多，撑爆上下文	Tool Search Tool（按需加载）
执行工具	中间结果太多，回合制低效	Programmatic Tool Calling（代码编排）
调对工具	参数格式不明，容易出错	Tool Use Examples（示例教学）

Anthropic在文章中给出了分层策略的建议：

先找瓶颈，再上对应方案：

• 如果上下文被工具定义撑爆 → 先上Tool Search Tool
• 如果中间结果太多影响推理 → 上Programmatic Tool Calling
• 如果参数总是填错 → 加Tool Use Examples

然后逐层叠加： Tool Search Tool确保找对工具，Programmatic Tool Calling确保高效执行，Tool Use Examples确保调用正确

---

AI Agent正在从"实习生"变成"资深工程师"

回顾这三个功能，它们的共同点是什么？

都在教AI用"工程师思维"解决问题，而非用"学生思维"死记硬背。

• Tool Search Tool：资深工程师不会背API文档，他会查
• Programmatic Tool Calling：资深工程师不会手动逐行处理数据，他会写脚本
• Tool Use Examples：资深工程师学习新API，第一件事是看example

Anthropic正在把这些"工程师常识"内化到AI的工作方式中。这不仅仅是功能的迭代，更是AI Agent开发范式的转变——从"Prompt Engineering"走向真正的"Software Engineering"。

当AI可以自主搜索工具、编写代码批量处理数据、并在看不见的沙箱里完成复杂逻辑时，我们对它的信任边界在哪里？

以前，AI的每一步操作都摊在上下文里，我们可以看到它"在想什么"。现在，越来越多的过程被封装进代码里、隐藏在沙箱中。我们看到的只是输入和输出。

这是效率的必然代价，但也值得每一个AI应用开发者认真思考。

如何开始使用？

这三个功能目前都是Beta状态，需要通过特定的header开启：

client.beta.messages.create(
betas=["advanced-tool-use-2025-11-20"],
model="claude-sonnet-4-5-20250929",
max_tokens=4096,
tools=[
{"type": "tool_search_tool_regex_20251119", "name": "tool_search_tool_regex"},
{"type": "code_execution_20250825", "name": "code_execution"},
# 你的工具定义...
]
)

如果你正在构建复杂的AI Agent系统，尤其是需要接入大量MCP服务的场景，我强烈建议去认真研究。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发