anthropic官方博客近期推出一篇深度指南《writing effective tools for llm agents—using llm agents》，系统讲解了如何基于model context protocol（mcp）为llm agent构建高效工具。文中提出“原型-评估-协作”三阶段迭代方法，并总结出五大核心设计准则：
- 精心筛选工具功能
- 建立清晰的命名空间结构
- 使工具返回更富语义的上下文信息
- 提高输出内容的Token使用效率
- 借助提示工程优化工具描述质量
文章强调，工具本质上是“确定性系统与非确定性Agent之间的契约”。开发者应摆脱传统API设计惯性，转而针对Agent在上下文长度、推理路径及策略选择上的多样性重新构思接口逻辑。
作者透露，本文中的大部分结论由Claude Code通过反复运行评估脚本、自动重构工具定义与调用模式得出。为防止模型过拟合，团队还保留了独立测试集持续验证效果。目前，Anthropic已开源配套的工具评估Cookbook，并预告未来随着MCP协议演进和底层LLM升级，该方法论可实现工具能力与Agent整体性能的协同提升。
源码地址：点击下载
