Claude 开发者平台“会用工具”了：搜索、代码、示例三板斧，让 AI 像人一样“边干边学”

原文：Introducing advanced tool use on the Claude Developer Platform
作者：Anthropic 工程团队
改写：EEAT 技术内容小组
适用人群：计算机、软件工程、信息管理等相关专业毕业生；正在搭建 AI Agent 的开发者
阅读耗时：约 18 min

一、先抛结论： Claude 这次到底更新了什么？

1. Tool Search Tool——需要时才把工具说明书塞进脑子，上下文瞬间瘦身 85%。
2. Programmatic Tool Calling——让 Claude 用 Python 脚本一口气调用 N 个工具，只把最终结果告诉你，省 token、省时间、少犯错。
3. Tool Use Examples——在工具说明书里直接附上“示范作业”，模型照猫画虎，少踩坑。

一句话：以前是把整本工具大典塞进 Claude 怀里，现在 Claude 像人一样“边干边学”——查工具、写脚本、看样例，三板斧下来，复杂任务也能一次搞定。

二、为什么传统“工具调用”越来越撑不住？

三、Feature 1：Tool Search Tool——“要用谁，再翻谁的牌子”

1. 工作原理（用大白话）

• 你把全部工具定义上传到 API，但给它们打上 defer_loading: true 的标签。
• Claude 先只能看到一个“工具搜索引擎”+ 3~5 个最常用工具。
• 当它发现“我要搞 GitHub”，先搜一下“github”，平台把对应的 createPullRequest、listIssues 等定义动态展开进上下文。
• 其余 Slack、Jira、Splunk 等工具继续“躺平”，不占位置。

2. 内部数据对比

* 测试任务：在 58 个工具里选出正确的那一个并填对参数。

3. 快速上手指南

// 1. 把“搜索工具”本身放进列表
{
  "type": "tool_search_tool_regex_20251119",
  "name": "tool_search_tool_regex"
}

// 2. 给其他工具打上“延迟加载”标签
{
  "name": "github.createPullRequest",
  "description": "Create a pull request",
  "input_schema": {...},
  "defer_loading": true
}

注意：Prompt caching 不会被打破，因为被延迟的工具压根不在初始提示里出现。

四、Feature 2：Programmatic Tool Calling——让 Claude“写脚本”一次性跑完流程

1. 为什么又要写代码？

• 代码天生支持循环、判断、并发，比“自然语言一步一请示”高效得多。
• 中间数据留在沙箱，只把结论返回给模型，上下文干净。

2. 案例：查“哪些同事 Q3 差旅超支”

传统做法：

1. 先拿员工列表 → 20 人
2. 逐人调费用接口 → 20 次往返，回来 2000 条记录全进上下文
3. 人工（模型）口算合计、比对预算 → 容易算错

Programmatic Tool Calling 做法：
Claude 直接生成一段 Python，asyncio.gather 并行拉数据，脚本里把 2000 条记录求和、过滤，最后只输出 3 行 JSON 给模型。
结果：token 降 37%，延迟省掉 19 次推理，准确率从 25.6% 提到 28.5%。

3. 四步流程拆解

五、Feature 3：Tool Use Examples——“照着我的作业抄，就不会错”

1. Schema 的盲区

JSON Schema 只能告诉你“字段存在”，无法说明：

• 日期到底用哪种格式？
• 什么情况下才填 contact.phone？
• escalation.level=2 时，sla_hours 应该写几小时？

2. 解决方案：在工具定义里塞“示范答案”

"input_examples": [
  {
    "title": "Login page returns 500 error",
    "priority": "critical",
    "reporter": { "id": "USR-12345", "contact": {"email": "jane@acme.com"} },
    "due_date": "2024-11-06",
    "escalation": { "level": 2, "notify_manager": true, "sla_hours": 4 }
  },
  {
    "title": "Add dark mode support",
    "labels": ["feature-request", "ui"],
    "reporter": { "id": "USR-67890" }   // 注意：没填 contact，也没 escalation
  }
]

Claude 一看就懂：

• 关键故障 → 信息填满满；
• 功能需求 → 只留核心字段；
• 日期格式 = YYYY-MM-DD，用户 ID 带 USR- 前缀。

实测：复杂参数准确率从 72% 升到 90%。

六、组合拳打法：什么时候上哪一招？

七、最佳实践小结（可直接抄作业）

1. 写清晰、可搜索的描述
   好例子：
   "Search customer orders by date range, status or total amount. Returns shipping & payment info."
   坏例子：
   "Execute order query"

2. 永远留 3–5 个最高频工具“常驻”，其余全部 defer_loading: true。

3. 在系统提示里告诉 Claude 会“动态搜工具”：
   “You can use the tool search to find Slack, GitHub, Jira capabilities.”

4. 给代码友好型工具补充“返回格式”文档，方便 Claude 写出正确解析逻辑。

5. 示例数据要真实：

   • 用“Beijing”“Shanghai”而非“city_string”；
   • 价格写 99.00 而非 “number”；
   • 每工具 1–5 个示例即可，别写论文。

八、FAQ：开发者最关心的问题

Q1：搜索工具会增加延迟吗？
A：会多一次搜索往返，但只要工具库 >10 个且单条定义 >2K tokens，省下的上下文和准确率提升更划算。

Q2：延迟加载会不会导致找不到工具？
A：只要工具名称/描述写得正常，regex/BM25 都能匹配；真不放心可自定义向量搜索。

Q3：Programmatic Tool Calling 支持哪些语言？
A：目前沙箱内置 Python3，平台把工具封装成 async Python 函数。

Q4：沙箱里能装第三方库吗？
A：官方沙箱暂不支持 pip install，如需特殊库，得自己托管代码执行环境并对接 MCP。

Q5：Tool Use Examples 会撑爆 token 吗？
A：一个示例通常 0.5–1K tokens，带来 10–20% 准确率提升。复杂嵌套结构才用，简单字段没必要。

九、一行代码开启“高级工具用法”

import anthropic

client = anthropic.Anthropic()
response = 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"},
        # 下面放你自己的工具，记得加 defer_loading / allowed_callers / input_examples
    ],
    messages=[{"role": "user", "content": "Which team members exceeded their Q3 travel budget?"}]
)

十、结语：把 AI 从“背词典”解放到“查资料+写脚本+看样例”

过去我们让 Claude 像记忆大师，把整本 API 大典背下来再上场；
现在 Claude 更像一位工程师——

• 开工前先搜一搜，只带必要的工具说明书；
• 遇到重活先写段脚本，批量拉数据、算结果，不把垃圾搬回大脑；
• 新接口看不懂？瞄一眼示例就明白套路。

这三大能力不是炫技，而是让 AI 真正省 tokens、省时间、少犯错，从而能撑起动辄几十上百个工具的企业级流程。
下一步，轮到你把自家的 GitHub、Slack、Jira、ERP……统统接进来，让 Claude 给你跑一遍“无人工厂”了。祝开发顺利！