过去两年里，AI 调用工具的方法基本没变，大家也没怎么抱怨。
一开始，这个方法看起来很聪明。你把一堆工具的信息（名字、说明、需要什么参数）告诉大模型，它就不只是聊天机器人了。比如你问："巴黎今天天气怎么样？" 模型会输出一段标准的 JSON 数据，后台服务器拿着它去查天气 API，再把结果交回来，模型整理成一句自然的话回复你。整个过程你看不到，但感觉就像 AI 自己会查资料一样，很神奇。
但这种"魔法"背后，其实是很机械的流程，而且越来越容易出问题。
问题在代理变复杂时暴露出来。
比如你让 AI 帮你找出 Gmail 里所有 Bob 发来的邮件。听着简单对吧？
它先调用 search_email("Bob")，拿到一堆邮件 ID。然后对每个 ID 再分别调用 read_email(id_1)、read_email(id_2)......一次又一次。而且每一步都要准确记住那些 ID，稍微出错就会出问题。
更糟的是，每次工具返回的内容都会被塞进模型的"上下文"里，就像不断往背包里塞东西：各种没用的元数据、HTML 代码、广告内容......很多根本用不上，却占地方。
写博客的代理更惨。它先搜索网页，拿到一堆网址；再抓取每个网址，得到大量 HTML；等到真正开始写文章时，还得把这些乱七八糟的原始内容重新整理再喂给写作工具。明明几行代码几毫秒就能做完的事，却浪费了成千上万的 token。
有人说，那就把上下文窗口做大一点。但问题不在"能装多少"，而在"浪费太多"。模型真正能好好思考的空间，大概也就 12 万到 20 万 token 左右。不是容量不够，是效率太低。
Anthropic 给出的解决办法，不是换一个新模型，而是换一种思路。
核心叫做：程序化工具调用。
简单说，不要让模型一次次用 JSON 去"指挥"工具，而是让它自己写一小段代码，把所有步骤一次性搞定。
给模型一个可以安全执行代码的环境。把工具当成函数。然后模型可以写一个小程序，里面有循环、判断、变量，把整个流程一次性跑完。
这就像：与其让莎士比亚先学一个月普通话，再用普通话写剧本，不如直接让他用英语写。既然模型本来就擅长写代码式的逻辑，何必绕一圈？
实验发现，这种方法能减少 30% 到 50% 的 token 使用量，速度也更快。而且改造成本不高：加一个代码执行工具，做点小改动，就能用。
还有其他改进。
动态过滤 ：
以前抓网页时，会把整个网页的 HTML 全部丢进模型，包括导航栏、广告、页脚。现在会先自动过滤，只留下有用的正文内容。光这一点，平均就能省下 24% 的 token。
工具搜索 ：
如果一个系统里有几十上百个工具，以前是每次对话都把所有工具说明塞进上下文，很浪费。现在只加载一个"工具搜索工具"，需要哪个工具再去找。没用到的工具就不出现。最多可以减少 80% 的上下文占用。
工具使用示例 ：
有些工具参数特别复杂，比如客服系统里的 create_ticket，字段多又有各种规则。光看说明文档模型可能理解不透。
现在可以给模型一些示例调用，让它"照着例子学"。准确率从 72% 提升到 90%，在真实系统里，这种提升非常关键。
总的来说，这四个改进说明一件事：工具调用正在变成熟。
一开始，它只是个聪明的小技巧------让模型输出 JSON，就能调用工具。
但随着 AI 代理变复杂，这种方法开始显得笨重。
新的做法没有推翻旧基础，而是让它更高效：
用代码替代繁琐的来回调用，减少无用信息，按需加载工具，用示例教模型。
魔法还在。
只是现在更聪明、更省资源了。