像智能体一样思考：构建Claude Code过程中的工具设计启示
在人工智能快速演进的今天，如何为AI智能体（Agent）设计合适的“行动空间”——即它能够使用的工具集合——已经成为开发者面临的核心挑战之一。Anthropic公司的Thariq在构建广受关注的Claude Code过程中，积累了丰富而深刻的经验。这篇文章将带你深入理解，如何通过观察、实验和迭代，学会“像智能体一样思考”，从而设计出更高效、更自然的AI交互工具。
核心挑战：如何为智能体构建工具？
当我们在Claude API中构建智能体时，面临着多种工具构建方式的选择。可以通过代码执行、bash命令、技能（skills）调用等基础模块来构建工具。面对这些选项，一个关键问题浮现出来：到底该如何设计智能体的工具集？
是只需要一个全能工具，比如代码执行或bash命令？还是准备50个专用工具，覆盖智能体可能遇到的每一个使用场景？
要理解这个问题，我们需要换位思考。想象一下，如果有人给你一个困难的数学问题，你希望拥有什么样的工具来解决它？这完全取决于你自身的技能水平：
-
纸笔是最基本的选择，但你会受到手工计算能力的限制 -
计算器更好一些，但你需要知道如何操作它的高级功能 -
计算机是最强大、最快速的选择，但你得知道如何用它编写和执行代码
这个类比为我们设计智能体工具提供了有益的思考框架。关键在于：给予智能体的工具必须与其自身能力相匹配。 但问题来了——我们如何知道智能体具备什么能力？答案只有通过仔细观察、阅读它的输出、不断实验。我们需要学会“像智能体一样思考”。
经验教训一：优化提问能力——AskUserQuestion工具的演进
在构建Claude Code的过程中，团队最初的一个目标是提升Claude提问的能力，这通常被称为“引导”（elicitation）。虽然Claude可以直接用文本提问，但团队发现用户回答这些问题时，感觉花费了不必要的时间。如何降低这种交互摩擦，提高用户与Claude之间的沟通效率？
尝试1：修改ExitPlanTool
最初的尝试是在ExitPlanTool中添加一个参数，让它可以附带一个问题数组。这是最容易实现的方案，但很快遇到了问题：Claude需要同时提交一个计划和一串关于这个计划的问题。如果用户的回答与计划内容冲突怎么办？Claude是否需要两次调用ExitPlanTool？这个方案导致了混淆，团队需要另辟蹊径。
尝试2：改变输出格式
接下来，团队尝试修改Claude的输出指令，让它使用一种特定的标记格式来提问。例如，要求它输出带方括号选项的要点列表，然后通过解析这个格式来向用户展示问题。
虽然这是最通用的改变，Claude似乎也能较好地按格式输出，但问题在于输出格式无法保证一致性。Claude经常会添加额外的句子、遗漏选项，或者使用完全不同的格式。
尝试3：创建专门的AskUserQuestion工具
最终，团队创建了一个专门的工具——AskUserQuestion。Claude可以在任何时候调用这个工具，特别是在计划模式下。当工具被触发时，系统会显示一个模态窗口展示问题，并暂停智能体的循环，直到用户回答。
这个方案带来了多重好处：
-
结构化输出：可以通过提示词要求Claude生成结构化的输出内容 -
多选项保证：确保Claude给用户提供多个选择 -
功能组合性：用户可以在Agent SDK中调用这个功能，或在技能（skills）中引用它
最关键的是，Claude似乎很喜欢调用这个工具，而且输出效果很好。这揭示了一个重要原则：即使工具设计得再好，如果Claude不理解如何调用它，也是徒劳。
这是Claude Code中引导功能的最终形态吗？团队表示并不确定。正如后续案例将展示的，对某个模型有效的方案，对另一个模型未必是最佳选择。
经验教训二：适应能力进化——从待办事项到任务管理
在Claude Code首次发布时，团队意识到模型需要一个待办清单（Todo list）来保持工作方向。待办事项可以在开始时写入，随着工作进展逐项勾销。为此，团队给Claude配备了TodoWrite工具，用于编写或更新待办事项并向用户展示。
然而，即使有了这个工具，Claude仍然经常忘记自己要做什么。为了解决这个问题，团队每5轮交互就插入一次系统提醒，提醒Claude它的目标是什么。
但随着模型能力的提升，情况发生了变化。新一代模型不仅不再需要待办清单的提醒，反而觉得这种机制限制了它们的发挥。定时接收待办清单提醒让Claude认为自己必须严格遵循清单，而不是灵活调整。同时，团队发现Opus 4.5在使用子智能体方面的能力显著增强，但问题是——子智能体之间如何在共享的待办清单上协调工作？
基于这些观察，团队用Task Tool替代了TodoWrite。如果说待办清单是为了让模型保持方向，那么任务（Tasks）则更侧重于帮助智能体之间相互沟通。任务可以包含依赖关系，在子智能体之间共享更新，模型还可以自主修改和删除它们。
这个演进过程揭示了一个重要洞见：随着模型能力的提升，原本必要的工具可能反而成为束缚。 开发者需要不断重新审视关于工具需求的既有假设。这也是为什么建议专注于支持一小批能力特征相似的模型。
经验教训三：搜索接口设计——让智能体自主构建上下文
对Claude来说，特别重要的一组工具是搜索工具，它可以用来自主构建自己的上下文环境。
Claude Code刚推出时，团队使用RAG向量数据库来为Claude查找上下文。虽然RAG功能强大、速度快，但它需要索引和设置，而且在不同环境中可能不稳定。更重要的是，Claude是被动获得上下文，而不是主动寻找上下文。
但如果Claude可以在网络上搜索，为什么不能让它在代码库中搜索呢？通过给Claude配备Grep工具，团队让它能够自行搜索文件、构建上下文。
这揭示了一个规律：随着Claude变得更智能，如果给予合适的工具，它在构建自身上下文方面的能力会越来越强。
当团队引入Agent Skills时，他们将“渐进式披露”（progressive disclosure）的概念正式化了。这个概念允许智能体通过探索，逐步发现相关的上下文信息。Claude可以读取技能文件，这些文件可以引用其他文件，模型可以递归地阅读这些文件。实际上，技能的一个常见用途就是为Claude添加更多搜索能力，比如指导它如何使用API或查询数据库。
在一年时间里，Claude从几乎不能自主构建上下文，发展到能够跨多层文件进行嵌套搜索，精确找到所需的上下文信息。渐进式披露现在已成为团队添加新功能的常用技术，而且无需增加新工具。
经验教训四：渐进式披露——Claude Code指南智能体
目前，Claude Code拥有约20个工具，团队在不断反思是否真的需要这么多工具。添加新工具的标准很高，因为这意味着模型需要多考虑一个选项。
举个例子，团队发现Claude对如何使用Claude Code本身了解不够。如果你问它如何添加MCP（Model Context Protocol）或者某个斜杠命令的作用，它无法回答。
一种方案是把所有这些信息放在系统提示词中。但考虑到用户很少询问这些问题，这样做会增加上下文负担，干扰Claude Code的主要任务：编写代码。
于是，团队尝试了渐进式披露的另一种形式。他们给Claude提供了一个文档链接，Claude可以加载这个链接来搜索更多信息。这个方案可行，但团队发现Claude会把大量结果加载到上下文中，试图找到正确答案，而用户其实只需要一个简洁的答案。
基于这个观察，团队构建了Claude Code Guide子智能体。当用户询问关于Claude Code自身的问题时，系统会提示Claude调用这个子智能体。子智能体拥有详细的指令，知道如何有效搜索文档以及应该返回什么内容。
虽然这个方案还不完美——当用户询问如何设置Claude Code时，Claude仍可能混淆——但相比之前已经好多了！团队成功地为Claude扩展了行动空间，而且没有增加新工具。
艺术而非科学：工具设计的核心原则
如果你期待一套严格的规则来指导工具构建，很遗憾，这篇文章无法提供这样的指南。为模型设计工具既是科学，也是艺术。它很大程度上取决于你使用的具体模型、智能体的目标以及它运行的环境。
以下是从Claude Code实践中提炼的关键原则：
1. 工具要与模型能力匹配
工具的设计必须考虑模型的实际能力。就像给不同技能水平的人提供不同工具一样，给Claude的工具也要适配它的“技能水平”。随着模型能力的提升，曾经必要的工具可能变得多余甚至成为束缚。
2. 优先考虑专用工具而非全能工具
虽然全能工具（如代码执行）看起来很诱人，但专用工具往往能让Claude更好地理解何时以及如何使用它们。AskUserQuestion工具的成功正说明了这一点。
3. 渐进式披露优于一次性提供
与其把所有信息都塞进系统提示词，不如让Claude能够通过探索逐步获取所需信息。这既节省了上下文空间，又让Claude能够更灵活地获取深度信息。
4. 让智能体主动构建上下文
给予搜索工具，让Claude能够自主寻找和构建自己的上下文环境，而不是被动接受预设的上下文。这充分利用了模型日益增强的探索能力。
5. 观察输出，持续迭代
Claude的输出是最好的反馈。通过仔细阅读模型如何调用工具、在什么情况下调用、调用效果如何，可以不断优化工具设计。Claude Code中工具的演进过程充分说明了迭代的价值。
6. 保持工具集精简
添加新工具的门槛应该很高。每个新工具都是模型需要多考虑的一个选项，可能增加决策负担。Claude Code保持约20个工具，并持续反思是否真的需要这么多。
常见问题解答
问：什么是智能体的“行动空间”？
行动空间是指智能体可以使用的所有工具和功能的集合，包括它能调用的API、能执行的命令、能访问的资源等。
问：为什么不能只给Claude一个全能工具？
全能工具虽然灵活，但往往需要Claude自己弄清楚如何以及何时使用它，这增加了决策负担。专用工具能让Claude更清晰地理解用途和调用时机。
问：渐进式披露具体指什么？
渐进式披露是一种设计理念，让智能体可以通过探索逐步获取信息，而不是一次性获得所有上下文。例如，Claude可以先读取一个文件，该文件再引导它读取其他相关文件。
问：如何判断是否需要为Claude添加新工具？
关键在于观察Claude在现有工具集下是否遇到无法解决的问题，或者现有方案是否效率低下。新工具的门槛应该很高，因为每个工具都会增加Claude的选择负担。
问：模型能力提升后，工具需要如何调整？
随着模型能力提升，原本必要的工具可能变得多余甚至限制模型发挥。Claude Code从TodoWrite到Task Tool的演进就是典型案例。定期重新审视工具集的必要性很重要。
结语：学会像智能体一样思考
构建Claude Code的经验告诉我们，为AI智能体设计工具是一个持续观察、实验和调整的过程。没有一劳永逸的解决方案，只有不断适应模型能力提升、用户需求变化和环境演进的方法论。
“像智能体一样思考” 意味着我们要跳出人类视角，尝试理解模型如何看待和选择工具。它喜欢调用什么工具？在什么情境下调用？什么因素可能导致它误用工具？这些问题的答案只能通过仔细阅读输出、设计实验来获得。
对于正在构建AI智能体的开发者，Claude Code的经验提供了宝贵的参考：工具设计不是一成不变的，而是需要随着模型能力的提升而演进；渐进式披露可以帮助扩展智能体的能力而不增加工具数量；观察和实验是优化工具设计的不二法门。
最终，设计智能体工具既是科学也是艺术。它需要严谨的实验设计、系统性的观察分析，也需要对模型行为的直觉理解和创造性思维。学会像智能体一样思考，我们才能设计出真正符合智能体需求的工具，释放AI的无限潜能。
