ARTICLE · 人工智能
为 AI 智能体编写有效工具 —— 使用 AI 智能体
一语总结Anthropic 关于有效 AI 智能体工具的指南：原型设计、评估和设计原则。
Anthropic Engineering 的文章解释了如何使用 Model Context Protocol（MCP） 为 AI 智能体构建有效工具。它概述了一种工作流程：先快速制作原型，使用 Claude Code 或 Desktop 扩展在本地进行测试，然后使用真实任务和智能体反馈进行全面评估以衡量性能。通过与像 Claude Code 这样的智能体进行迭代协作，团队可以改进工具的实现和描述。文章最后给出高质量工具的关键原则：选择合适的工具（避免过于通用的包装器），通过命名空间划分工具以明确边界，返回有意义的上下文（优先考虑信号而非低级 ID），通过分页、过滤和截断来优化响应以提高 token 效率，以及编写工具规范的提示工程。内部 Slack 和 Asana MCP 服务器的真实世界示例说明了这些做法如何提高智能体的成功率并降低 token 使用量。
- 快速制作原型并在本地使用 Claude Code 或 Desktop 扩展进行测试。
首先构建工具的最小版本，将其封装在本地 MCP 服务器或 DXT 中，并连接到 Claude Code，根据实际操作反馈进行迭代，以便及早发现粗糙之处。
- 使用真实任务和智能体反馈进行全面评估，以衡量和提升工具性能。
基于真实使用场景生成评估提示词，将其与可验证的结果配对，并利用智能体分析结果、发现问题，并在工具描述、模式或实现方面提出改进建议。
- 应用核心设计原则：选择合适的工具，为其命名空间，返回有意义的上下文，优化 token 效率，并编写描述。
选择匹配高影响工作流的工具，将相关工具归类在明确的前缀/后缀下，优先考虑上下文信号而非技术 ID，实现分页/过滤/截断以限制 token 使用量，并编写精确的提示词和规范以引导智能体行为。
为 AI 智能体编写有效工具 —— 使用 AI 智能体
Anthropic Engineering 的文章解释了如何使用 Model Context Protocol（MCP） 为 AI 智能体构建有效工具。它概述了一种工作流程：先快速制作原型，使用 Claude Code 或 Desktop 扩展在本地进行测试，然后使用真实任务和智能体反馈进行全面评估以衡量性能。通过与像 Claude Code 这样的智能体进行迭代协作，团队可以改进工具的实现和描述。文章最后给出高质量工具的关键原则：选择合适的工具（避免过于通用的包装器），通过命名空间划分工具以明确边界，返回有意义的上下文（优先考虑信号而非低级 ID），通过分页、过滤和截断来优化响应以提高 token 效率，以及编写工具规范的提示工程。内部 Slack 和 Asana MCP 服务器的真实世界示例说明了这些做法如何提高智能体的成功率并降低 token 使用量。
文章金句
"工具是一种新型软件，反映了确定性系统与非确定性智能体之间的契约。
"我们建议构建少量针对特定高影响工作流的深思熟虑的工具，这些工具应与您的评估任务相匹配，并在此基础上进行扩展。
"按服务和资源对工具进行命名空间划分，有助于智能体在恰当的时刻选择合适的工具。