近日，Anthropic 官方博客发布了一份详尽的指南，题为 《WritingeffectivetoolsforLLMagents—usingLLMagents》。该指南旨在帮助开发者利用 ModelContextProtocol（MCP） 为 LLMAgent 设计高效的工具。文中提出了 「原型-评估-协作」 三步迭代流程，并总结了五大设计原则，以确保工具的有效性和可用性。
首先，指南强调了在选择工具时需要谨慎。开发者应认真考虑工具的选择，以确保其能够有效地服务于 LLMAgent 的需求。其次，指南建议保持清晰的命名空间，确保不同工具和功能之间的名称不产生混淆，以便开发者可以快速理解和使用。
另外，工具的上下文返回值也需要更加有意义。指南指出，开发者应该优化工具返回的信息，使其更具信息量和上下文相关性，从而提升 LLMAgent 的工作效率。此外，返回信息的 Token 效率也需被重视，以降低数据传输的成本，提高处理速度。最后，指南提出通过提示工程来提升工具说明的质量，使得使用者能更清晰地理解工具的功能和用法。
文中还提到，许多结论是由 ClaudeCode 经过反复分析脚本、重构工具描述与模式后自动得出的，确保了分析的科学性和准确性。为防止过拟合，Anthropic 还通过保留测试集进行评估。同时，Anthropic 还开源了工具评估的 Cookbook，并预告未来 MCP 协议与底层 LLM 升级时，工具的能力也将随之演进。
指南：https://www.anthropic.com/engineering/writing-tools-for-agents
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
