1. 從一次工具調用失敗說起智能體工具設計到底難在哪如果你正在用 Claude Code 或者自己搭 Agent大概率遇到過這種場景明明給模型配了工具它卻死活不調用或者調用了卻傳錯參數再或者一口氣把整個代碼庫塞進上下文token 燒得飛快還答非所問。這不是模型笨而是工具接口設計出了問題。Claude Code 團隊成員 Thariq 在一篇長文里把這件事講得很透構建智能體框架最難的部分之一就是構筑它的動作空間Action Space。Claude 通過工具調用來采取行動但工具怎么設計、給幾個、粒度多粗直接決定了智能體的行為質量。他把這個過程比作解數學題——紙筆是底線但算得慢計算器更快但你得會用高級功能電腦最強但你得會寫代碼。你給智能體的工具應該根據它自身的能力量身定制。這個判斷對做 Agent 開發(fā)的人非常關鍵。很多人一上來就想給模型配 50 個專用工具結果模型在工具選擇上反復糾結反而降低了任務完成率。Claude Code 目前大約只有 20 個工具而且團隊一直在反思是不是真的需要這么多。添加新工具的門檻很高因為每多一個工具模型的思考負擔就多一分。那怎么判斷該不該加工具核心方法是“像智能體一樣觀察”——仔細讀它的輸出、不斷實驗、觀察它在什么情況下卡住。這篇文章我就沿著 Claude Code 工具設計的演進脈絡把 Anthropic 團隊的取舍邏輯拆開給你可復制的工具描述模板和配置片段再帶你在本地環(huán)境驗證工具調用鏈路。適合正在做 Agent 開發(fā)、MCP 工具封裝、或者想理解 Claude Code 內部機制的同學。2. 前置準備用 TaoToken 快速拿到可調用的 Claude 環(huán)境要驗證工具調用鏈路你得先有一個能穩(wěn)定調用 Claude API 的環(huán)境。我試過幾種方式最省事的是通過 TaoToken 接入——它兼容 Anthropic 的 API 格式Base URL 和 Key 配好就能直接用不用折騰環(huán)境變量和區(qū)域問題。先注冊并拿到 API Key。打開官網 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注冊后在控制臺里創(chuàng)建一個 Key?？刂婆_地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 進去之后左側菜單找 API Keys點新建復制那串 sk- 開頭的字符串。這個 Key 只顯示一次記得存好。接下來確認你要用的模型 ID。Claude Code 場景下常用的是 claude-sonnet-4-5 和 claude-opus-4-5 這兩個。你可以在模型對話頁面先試一下連通性https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 選一個模型發(fā)一句“你好”能正?；貜驼f明 Key 和網絡都沒問題。如果你打算長期跑編碼任務或者搭 Agent建議看一下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。它針對高頻調用做了額度優(yōu)化比按量計費更適合持續(xù)開發(fā)場景。接入文檔在這里https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有完整的 API 格式說明和示例。API 端點本身是 https://taotoken.net/api 注意這個地址不加 UTM 參數直接作為 Base URL 用。環(huán)境準備好之后我們進入正題怎么設計工具描述讓模型愿意調、調得對。3. 可復制的工具描述模板與配置片段Claude Code 團隊在工具設計上踩過的坑總結下來有幾個關鍵原則。第一工具描述要結構化別讓模型猜。第二能用漸進式披露就別加新工具。第三工具的參數設計要匹配模型當前的能力曲線。先看一個工具描述模板。這是我在本地驗證時用的 JSON 配置放在~/.claude/settings.json或者項目級的.claude/settings.json里{ tools: [ { name: search_codebase, description: 在本地代碼庫中搜索指定關鍵詞。當需要查找函數定義、變量引用或特定字符串時使用此工具。返回匹配的文件路徑、行號和上下文片段。, input_schema: { type: object, properties: { query: { type: string, description: 搜索關鍵詞或正則表達式 }, file_pattern: { type: string, description: 可選限定搜索的文件類型如 *.py 或 *.ts }, max_results: { type: integer, description: 可選最大返回條數默認 20 } }, required: [query] } } ] }這個模板的關鍵點在于description 里寫清楚了“什么時候用”和“返回什么”而不是只寫“搜索代碼”。Claude Code 團隊發(fā)現模型對工具的理解高度依賴描述里的場景說明。如果你只寫“搜索文件”模型可能在該用 Grep 的時候去調 Bash。再來看 Claude Code 本身的配置。如果你用 Claude Code CLI可以在~/.claude.json里配置模型和 API 端點{ apiKey: sk-你的TaoToken密鑰, baseUrl: https://taotoken.net/api, model: claude-sonnet-4-5, maxTokens: 8192 }如果你用的是 Cline 或者 Roo Code 這類編輯器插件配置方式類似。以 Cline 為例在設置里選 “Anthropic” 作為 Provider然后填Base URL:https://taotoken.net/apiAPI Key: 你的 TaoToken KeyModel ID:claude-sonnet-4-5這里有個細節(jié)要注意Base URL 后面不要加/v1TaoToken 的端點已經處理好了路徑。如果你填成https://taotoken.net/api/v1可能會遇到 404。對于 Codex 用戶auth.json的配置是這樣的{ openai_api_key: sk-你的TaoToken密鑰, api_base: https://taotoken.net/api }三件套記住Base URL、Key、Model ID缺一不可。很多接入失敗都是因為 Model ID 寫錯比如把claude-sonnet-4-5寫成claude-3-5-sonnet模型名對不上就會報 model not found。工具描述寫好后怎么驗證模型真的會調用下一節(jié)我用一個具體例子走一遍。4. 驗證工具調用鏈路從請求到成功結果驗證工具調用最直接的方式是發(fā)一個必須用工具才能回答的請求。我構造了這樣一個場景讓 Claude 在一個本地目錄里找包含 “TODO” 的 Python 文件。先準備測試環(huán)境mkdir -p ~/agent-test/src echo # TODO: refactor this function ~/agent-test/src/main.py echo print(hello) ~/agent-test/src/utils.py然后寫一個最小的調用腳本。用 Python 的 anthropic SDKimport anthropic client anthropic.Anthropic( api_keysk-你的TaoToken密鑰, base_urlhttps://taotoken.net/api ) response client.messages.create( modelclaude-sonnet-4-5, max_tokens1024, tools[ { name: search_codebase, description: 在本地代碼庫中搜索指定關鍵詞。當需要查找函數定義、變量引用或特定字符串時使用此工具。, input_schema: { type: object, properties: { query: {type: string, description: 搜索關鍵詞}, file_pattern: {type: string, description: 文件類型過濾} }, required: [query] } } ], messages[ {role: user, content: 在 ~/agent-test 目錄下找出所有包含 TODO 的 Python 文件} ] ) print(response)運行后你會看到返回的 content 里有一個tool_use塊類似{ type: tool_use, id: toolu_01ABC..., name: search_codebase, input: { query: TODO, file_pattern: *.py } }這說明模型正確理解了工具用途并構造了參數。接下來你需要把工具執(zhí)行結果回傳tool_result { type: tool_result, tool_use_id: toolu_01ABC..., content: 找到 1 個匹配~/agent-test/src/main.py 第 1 行: # TODO: refactor this function } response2 client.messages.create( modelclaude-sonnet-4-5, max_tokens1024, tools[...], messages[ {role: user, content: 在 ~/agent-test 目錄下找出所有包含 TODO 的 Python 文件}, {role: assistant, content: response.content}, {role: user, content: [tool_result]} ] ) print(response2.content[0].text)成功的話模型會返回類似“在 main.py 第 1 行找到了一個 TODO 注釋”的總結。整個鏈路跑通說明你的工具描述和參數設計是有效的。這里有個觀察如果我把工具描述改成“搜索文件”模型有概率不調用工具而是直接回復“我無法訪問你的文件系統(tǒng)”。這就是描述里場景說明的重要性。Claude Code 團隊在 AskUserQuestion 工具的演進中也發(fā)現了類似規(guī)律——他們最初嘗試修改 ExitPlanTool 或輸出格式都不穩(wěn)定最終創(chuàng)建專用工具才解決了問題。5. 常見報錯排查401、local proxy failed、reading choices接入和驗證過程中有幾個報錯特別常見。我按實際遇到的頻率排個序逐個說排查方法。401 Unauthorized這是最常見的。原因通常是 Key 沒填對或者 Base URL 寫錯了。檢查三件事Key 是不是完整復制了sk- 開頭那串Base URL 是不是https://taotoken.net/api不要加/v1請求頭里的x-api-key或Authorization格式對不對。如果你用的是 Claude Code CLI檢查~/.claude.json里的apiKey字段有沒有多余空格。local proxy failed / connection refused這個報錯通常出現在你本地配了代理但代理沒啟動或者環(huán)境變量HTTP_PROXY指向了一個不存在的端口。排查方法先echo $HTTP_PROXY看看有沒有值如果有但你不確定它是否可用臨時 unset 掉再試。另外檢查防火墻有沒有攔截對taotoken.net的請求。reading choices 相關報錯如果你用的是 OpenAI 兼容的 SDK 去調 Claude可能會遇到reading choices這類錯誤。原因是 Claude 的響應格式和 OpenAI 不一樣Claude 返回的是content數組而不是choices。解決辦法是換用 Anthropic 的 SDK或者確認你用的中轉層做了格式轉換。TaoToken 的 API 是 Anthropic 原生格式所以直接用anthropicSDK 最穩(wěn)。OAuth 相關報錯Claude Code CLI 在某些版本會嘗試 OAuth 登錄如果你已經配了 API Key可能會沖突。解決辦法是在~/.claude.json里明確設置authType: apiKey或者運行claude config set authType apiKey。如果還是報 OAuth 錯誤檢查有沒有殘留的~/.claude/credentials.json有的話先備份再刪除。模型返回空內容或截斷檢查max_tokens是不是設得太小。Claude Code 場景下建議至少 4096復雜任務設 8192。另外如果你用了流式輸出確認客戶端正確處理了content_block_delta事件。工具調用不觸發(fā)模型不調用工具九成是工具描述的問題。把 description 改得更具體加上“當需要……時使用此工具”這樣的場景說明。另外確認tools參數傳的是數組每個工具都有name、description、input_schema三個字段。排查完這些基本能覆蓋 90% 的接入問題。如果還搞不定去接入文檔 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里對照示例檢查或者在模型對話頁面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 直接測試模型是否正常響應。6. 工具設計的藝術漸進式披露與能力匹配回到 Claude Code 團隊的核心觀點工具設計是藝術不是科學。沒有一套死板規(guī)則能保證成功它高度依賴你用的模型、智能體的目標以及運行環(huán)境。漸進式披露Progressive Disclosure是他們最常用的技巧。簡單說就是不要一次性把所有上下文塞給模型而是讓它通過探索逐步發(fā)現。Claude Code 的技能文件可以遞歸引用其他文件模型需要什么就去讀什么。這比加新工具更優(yōu)雅因為不增加模型的思考負擔。另一個關鍵洞察是當模型能力提升時曾經需要的工具反而可能成為束縛。Claude Code 最初用 TodoWrite 工具幫模型保持專注甚至每 5 輪插入系統(tǒng)提醒。但到了 Opus 4.5模型不僅不需要提醒還覺得這是限制。于是團隊用 Task 工具取代了 TodoWrite——Todo 的核心是“保持專注”Task 的核心是“輔助智能體間的協作”。這對做 Agent 開發(fā)的啟示很直接不要假設你的工具設計是永久的。每次模型升級都要重新觀察它的行為看之前的工具是否還合適。Claude Code 團隊建議專注于支持一組能力曲線相似的模型避免為不同能力的模型設計同一套工具。如果你要長期跑編碼任務或者搭多智能體系統(tǒng)Coding Plan 的額度模型更適合持續(xù)調用https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。配合 API Keys 頁面 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 管理多個 Key可以按項目隔離調用量。最后說一個我踩過的坑不要試圖給模型配一個“萬能工具”。Claude Code 團隊試過只給 Bash 或代碼執(zhí)行結果模型在復雜任務上表現不穩(wěn)定。工具粒度太粗模型需要自己構造復雜命令粒度太細模型在工具選擇上浪費時間。找到平衡點的方法只有一個——多實驗多讀輸出像智能體一樣觀察。 像智能體一樣觀察：Anthropic 團隊談 Claude Code 工具設計的演進與藝術
1. 從一次工具調用失敗說起智能體工具設計到底難在哪如果你正在用 Claude Code 或者自己搭 Agent大概率遇到過這種場景明明給模型配了工具它卻死活不調用或者調用了卻傳錯參數再或者一口氣把整個代碼庫塞進上下文token 燒得飛快還答非所問。這不是模型笨而是工具接口設計出了問題。Claude Code 團隊成員 Thariq 在一篇長文里把這件事講得很透構建智能體框架最難的部分之一就是構筑它的動作空間Action Space。Claude 通過工具調用來采取行動但工具怎么設計、給幾個、粒度多粗直接決定了智能體的行為質量。他把這個過程比作解數學題——紙筆是底線但算得慢計算器更快但你得會用高級功能電腦最強但你得會寫代碼。你給智能體的工具應該根據它自身的能力量身定制。這個判斷對做 Agent 開發(fā)的人非常關鍵。很多人一上來就想給模型配 50 個專用工具結果模型在工具選擇上反復糾結反而降低了任務完成率。Claude Code 目前大約只有 20 個工具而且團隊一直在反思是不是真的需要這么多。添加新工具的門檻很高因為每多一個工具模型的思考負擔就多一分。那怎么判斷該不該加工具核心方法是“像智能體一樣觀察”——仔細讀它的輸出、不斷實驗、觀察它在什么情況下卡住。這篇文章我就沿著 Claude Code 工具設計的演進脈絡把 Anthropic 團隊的取舍邏輯拆開給你可復制的工具描述模板和配置片段再帶你在本地環(huán)境驗證工具調用鏈路。適合正在做 Agent 開發(fā)、MCP 工具封裝、或者想理解 Claude Code 內部機制的同學。2. 前置準備用 TaoToken 快速拿到可調用的 Claude 環(huán)境要驗證工具調用鏈路你得先有一個能穩(wěn)定調用 Claude API 的環(huán)境。我試過幾種方式最省事的是通過 TaoToken 接入——它兼容 Anthropic 的 API 格式Base URL 和 Key 配好就能直接用不用折騰環(huán)境變量和區(qū)域問題。先注冊并拿到 API Key。打開官網 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注冊后在控制臺里創(chuàng)建一個 Key?？刂婆_地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 進去之后左側菜單找 API Keys點新建復制那串 sk- 開頭的字符串。這個 Key 只顯示一次記得存好。接下來確認你要用的模型 ID。Claude Code 場景下常用的是 claude-sonnet-4-5 和 claude-opus-4-5 這兩個。你可以在模型對話頁面先試一下連通性https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 選一個模型發(fā)一句“你好”能正?；貜驼f明 Key 和網絡都沒問題。如果你打算長期跑編碼任務或者搭 Agent建議看一下 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。它針對高頻調用做了額度優(yōu)化比按量計費更適合持續(xù)開發(fā)場景。接入文檔在這里https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有完整的 API 格式說明和示例。API 端點本身是 https://taotoken.net/api 注意這個地址不加 UTM 參數直接作為 Base URL 用。環(huán)境準備好之后我們進入正題怎么設計工具描述讓模型愿意調、調得對。3. 可復制的工具描述模板與配置片段Claude Code 團隊在工具設計上踩過的坑總結下來有幾個關鍵原則。第一工具描述要結構化別讓模型猜。第二能用漸進式披露就別加新工具。第三工具的參數設計要匹配模型當前的能力曲線。先看一個工具描述模板。這是我在本地驗證時用的 JSON 配置放在~/.claude/settings.json或者項目級的.claude/settings.json里{ tools: [ { name: search_codebase, description: 在本地代碼庫中搜索指定關鍵詞。當需要查找函數定義、變量引用或特定字符串時使用此工具。返回匹配的文件路徑、行號和上下文片段。, input_schema: { type: object, properties: { query: { type: string, description: 搜索關鍵詞或正則表達式 }, file_pattern: { type: string, description: 可選限定搜索的文件類型如 *.py 或 *.ts }, max_results: { type: integer, description: 可選最大返回條數默認 20 } }, required: [query] } } ] }這個模板的關鍵點在于description 里寫清楚了“什么時候用”和“返回什么”而不是只寫“搜索代碼”。Claude Code 團隊發(fā)現模型對工具的理解高度依賴描述里的場景說明。如果你只寫“搜索文件”模型可能在該用 Grep 的時候去調 Bash。再來看 Claude Code 本身的配置。如果你用 Claude Code CLI可以在~/.claude.json里配置模型和 API 端點{ apiKey: sk-你的TaoToken密鑰, baseUrl: https://taotoken.net/api, model: claude-sonnet-4-5, maxTokens: 8192 }如果你用的是 Cline 或者 Roo Code 這類編輯器插件配置方式類似。以 Cline 為例在設置里選 “Anthropic” 作為 Provider然后填Base URL:https://taotoken.net/apiAPI Key: 你的 TaoToken KeyModel ID:claude-sonnet-4-5這里有個細節(jié)要注意Base URL 后面不要加/v1TaoToken 的端點已經處理好了路徑。如果你填成https://taotoken.net/api/v1可能會遇到 404。對于 Codex 用戶auth.json的配置是這樣的{ openai_api_key: sk-你的TaoToken密鑰, api_base: https://taotoken.net/api }三件套記住Base URL、Key、Model ID缺一不可。很多接入失敗都是因為 Model ID 寫錯比如把claude-sonnet-4-5寫成claude-3-5-sonnet模型名對不上就會報 model not found。工具描述寫好后怎么驗證模型真的會調用下一節(jié)我用一個具體例子走一遍。4. 驗證工具調用鏈路從請求到成功結果驗證工具調用最直接的方式是發(fā)一個必須用工具才能回答的請求。我構造了這樣一個場景讓 Claude 在一個本地目錄里找包含 “TODO” 的 Python 文件。先準備測試環(huán)境mkdir -p ~/agent-test/src echo # TODO: refactor this function ~/agent-test/src/main.py echo print(hello) ~/agent-test/src/utils.py然后寫一個最小的調用腳本。用 Python 的 anthropic SDKimport anthropic client anthropic.Anthropic( api_keysk-你的TaoToken密鑰, base_urlhttps://taotoken.net/api ) response client.messages.create( modelclaude-sonnet-4-5, max_tokens1024, tools[ { name: search_codebase, description: 在本地代碼庫中搜索指定關鍵詞。當需要查找函數定義、變量引用或特定字符串時使用此工具。, input_schema: { type: object, properties: { query: {type: string, description: 搜索關鍵詞}, file_pattern: {type: string, description: 文件類型過濾} }, required: [query] } } ], messages[ {role: user, content: 在 ~/agent-test 目錄下找出所有包含 TODO 的 Python 文件} ] ) print(response)運行后你會看到返回的 content 里有一個tool_use塊類似{ type: tool_use, id: toolu_01ABC..., name: search_codebase, input: { query: TODO, file_pattern: *.py } }這說明模型正確理解了工具用途并構造了參數。接下來你需要把工具執(zhí)行結果回傳tool_result { type: tool_result, tool_use_id: toolu_01ABC..., content: 找到 1 個匹配~/agent-test/src/main.py 第 1 行: # TODO: refactor this function } response2 client.messages.create( modelclaude-sonnet-4-5, max_tokens1024, tools[...], messages[ {role: user, content: 在 ~/agent-test 目錄下找出所有包含 TODO 的 Python 文件}, {role: assistant, content: response.content}, {role: user, content: [tool_result]} ] ) print(response2.content[0].text)成功的話模型會返回類似“在 main.py 第 1 行找到了一個 TODO 注釋”的總結。整個鏈路跑通說明你的工具描述和參數設計是有效的。這里有個觀察如果我把工具描述改成“搜索文件”模型有概率不調用工具而是直接回復“我無法訪問你的文件系統(tǒng)”。這就是描述里場景說明的重要性。Claude Code 團隊在 AskUserQuestion 工具的演進中也發(fā)現了類似規(guī)律——他們最初嘗試修改 ExitPlanTool 或輸出格式都不穩(wěn)定最終創(chuàng)建專用工具才解決了問題。5. 常見報錯排查401、local proxy failed、reading choices接入和驗證過程中有幾個報錯特別常見。我按實際遇到的頻率排個序逐個說排查方法。401 Unauthorized這是最常見的。原因通常是 Key 沒填對或者 Base URL 寫錯了。檢查三件事Key 是不是完整復制了sk- 開頭那串Base URL 是不是https://taotoken.net/api不要加/v1請求頭里的x-api-key或Authorization格式對不對。如果你用的是 Claude Code CLI檢查~/.claude.json里的apiKey字段有沒有多余空格。local proxy failed / connection refused這個報錯通常出現在你本地配了代理但代理沒啟動或者環(huán)境變量HTTP_PROXY指向了一個不存在的端口。排查方法先echo $HTTP_PROXY看看有沒有值如果有但你不確定它是否可用臨時 unset 掉再試。另外檢查防火墻有沒有攔截對taotoken.net的請求。reading choices 相關報錯如果你用的是 OpenAI 兼容的 SDK 去調 Claude可能會遇到reading choices這類錯誤。原因是 Claude 的響應格式和 OpenAI 不一樣Claude 返回的是content數組而不是choices。解決辦法是換用 Anthropic 的 SDK或者確認你用的中轉層做了格式轉換。TaoToken 的 API 是 Anthropic 原生格式所以直接用anthropicSDK 最穩(wěn)。OAuth 相關報錯Claude Code CLI 在某些版本會嘗試 OAuth 登錄如果你已經配了 API Key可能會沖突。解決辦法是在~/.claude.json里明確設置authType: apiKey或者運行claude config set authType apiKey。如果還是報 OAuth 錯誤檢查有沒有殘留的~/.claude/credentials.json有的話先備份再刪除。模型返回空內容或截斷檢查max_tokens是不是設得太小。Claude Code 場景下建議至少 4096復雜任務設 8192。另外如果你用了流式輸出確認客戶端正確處理了content_block_delta事件。工具調用不觸發(fā)模型不調用工具九成是工具描述的問題。把 description 改得更具體加上“當需要……時使用此工具”這樣的場景說明。另外確認tools參數傳的是數組每個工具都有name、description、input_schema三個字段。排查完這些基本能覆蓋 90% 的接入問題。如果還搞不定去接入文檔 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里對照示例檢查或者在模型對話頁面 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite 直接測試模型是否正常響應。6. 工具設計的藝術漸進式披露與能力匹配回到 Claude Code 團隊的核心觀點工具設計是藝術不是科學。沒有一套死板規(guī)則能保證成功它高度依賴你用的模型、智能體的目標以及運行環(huán)境。漸進式披露Progressive Disclosure是他們最常用的技巧。簡單說就是不要一次性把所有上下文塞給模型而是讓它通過探索逐步發(fā)現。Claude Code 的技能文件可以遞歸引用其他文件模型需要什么就去讀什么。這比加新工具更優(yōu)雅因為不增加模型的思考負擔。另一個關鍵洞察是當模型能力提升時曾經需要的工具反而可能成為束縛。Claude Code 最初用 TodoWrite 工具幫模型保持專注甚至每 5 輪插入系統(tǒng)提醒。但到了 Opus 4.5模型不僅不需要提醒還覺得這是限制。于是團隊用 Task 工具取代了 TodoWrite——Todo 的核心是“保持專注”Task 的核心是“輔助智能體間的協作”。這對做 Agent 開發(fā)的啟示很直接不要假設你的工具設計是永久的。每次模型升級都要重新觀察它的行為看之前的工具是否還合適。Claude Code 團隊建議專注于支持一組能力曲線相似的模型避免為不同能力的模型設計同一套工具。如果你要長期跑編碼任務或者搭多智能體系統(tǒng)Coding Plan 的額度模型更適合持續(xù)調用https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。配合 API Keys 頁面 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 管理多個 Key可以按項目隔離調用量。最后說一個我踩過的坑不要試圖給模型配一個“萬能工具”。Claude Code 團隊試過只給 Bash 或代碼執(zhí)行結果模型在復雜任務上表現不穩(wěn)定。工具粒度太粗模型需要自己構造復雜命令粒度太細模型在工具選擇上浪費時間。找到平衡點的方法只有一個——多實驗多讀輸出像智能體一樣觀察。