创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

通过渐进披露裁剪智能体工具面

AI 总结

一份报告介绍了一套可运行的 Python 3.12 实现,用于减少暴露给智能体的工具:按任务组过滤候选工具,采用一层扁平索引,按需加载完整 schema,并降低反复失败工具的权重。其 tool_pruner.py 使用确定性关键词选择器和基于字符数的 token 估算,因此相关比较只展示相对量级,不代表真实模型效果或实际计费结果。报告转述 Anthropic 的建议称,当工具定义超过 10K token、工具数超过 10 个或出现选错工具时,可以考虑动态暴露;而工具较少或每次会话都需要使用全部工具时,收益可能有限。

深度见解

该报告提供了一种具体的客户端工具暴露策略,可在不修改 MCP 协议的情况下减少不必要的工具描述和选择干扰。报告也说明了限制:示例并非生产级模型评测,反馈降权需要可靠信号,动态暴露不能替代鉴权、审计和沙箱。

摘要:面向已经接入多个 MCP 服务器、工具数从个位数涨到几十个的 Agent 开发者与架构师。工具挂载得越多,模型选错工具的概率越高、上下文 token 越贵——问题不在模型,在"工具面(tool surface)"的暴露策略。本文给出一套「工具面三收」方法:按任务收、按层级收、按反馈收,并附一份可运行 Python 3.12 脚本 tool_pruner.py,实现按任务组过滤、一层扁平索引、按需加载正文、失败工具降权与 token 对照自测。附两张能力对照表和适用边界,可直接照搬为工具注册层的前置裁剪。

一、问题背景:工具接得越多,Agent 反而越容易选错

一个常见的演进路径是这样的:起初给 Agent 挂 6 个工具(文件读写、终端、网页抓取、数据库查询、消息通知),每次都能干净利落地选对;后来接了 GitHub、Jira、Notion、PostgreSQL、向量检索、日志分析等,工具数涨到 30 个,同样一句 prompt,首次选对的工具开始频繁出错,token 账单和重试成本一起往上走。

#Anthropic#Tool Search Tool#Model Context Protocol#Agent Skills#Claude Opus 4#Claude Opus 4.5#tool_pruner.py

原文约 14 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。