智能體（Agent）時代，工具已不再只是傳統 API 或函數接口的簡單封裝，而是決定智能體能否高效完成任務的關鍵。
為了讓智能體真正釋放潛力，我們需要重新思考工具開發的方式。傳統軟件開發依賴確定性邏輯，而智能體是非確定性的，它們在相同輸入下可能產生不同輸出，這意味著為智能體設計工具需要新的范式。
而新的范式不僅僅是如何開發工具，更在于如何讓工具真正發揮最大效能。畢竟，AI 智能體的強大程度取決于我們為其提供的工具，但問題是：如何讓這些工具發揮最大效能？
來自 Anthropic 的一篇文章為大家指出了一條可行路徑。
在這篇文章中，Anthropic 介紹了一些在多種 agentic AI 系統中被證明最有效的性能提升技巧。
閱讀本文后，你可以做到：
- 構建并測試工具原型；
- 如何創建并運行全面的評估；
- 與智能體協作（如 Claude Code），自動提升模型性能。
工具的定義
在計算機中，確定性系統在給定相同輸入時，每次都會產生相同的輸出；而非確定性系統，比如智能體，即便在相同的初始條件下，也可能生成不同的響應。
在傳統的軟件開發中，我們是在確定性系統之間建立契約。例如，一個關于天氣的函數調用 getWeather ("NYC")，無論調用多少次，都將以完全相同的方式返回紐約的天氣。
而基于大模型的工具是一種全新的軟件形式，它體現的是確定性系統與非確定性智能體之間的契約。
舉個例子：當用戶問「我今天要帶傘嗎？」時，智能體可能會調用天氣工具、也可能直接基于常識回答，甚至先提出一個澄清性問題（比如確認具體地點）。有時，智能體還可能出現幻覺，或者根本沒弄明白該如何使用工具。
這意味著，我們在為智能體編寫軟件時，必須從根本上重新思考方法：不能再把工具和 MCP 服務器當作普通函數或 API 來寫，而是需要專門為智能體設計。