给AI配工具，比造AI本身还烧脑

你或许见过AI写代码、解数学题，但很少有人知道，这些能力的核心不是模型有多聪明，而是它手里的工具链有多适配。2026年4月，Anthropic团队公开了Claude Code工具链的四次迭代：从给AI塞一个万能bash，到拆出50个专用工具，再到让AI自己找工具——每一次试错都在验证一个反常识的结论：AI的智能边界，从来不是由模型参数决定的，而是由人类给它设计的工具链定义的。为什么给AI配工具比造AI还难？这得从AI的「视角」说起。

像AI一样思考：能力匹配的底层逻辑

要给AI设计工具，得先学会站在AI的角度看问题。想象你是一个只会做加减乘除的小学生，面前摆着一道微积分题——给你一台超级计算机毫无意义，你连开机都不会；但给你一张草稿纸和一支笔，你能一步步推导。这就是Anthropic工程师提出的「能力匹配原则」：工具的复杂度，必须和AI的当前能力严丝合缝。

早期的Claude Code用了一个简单的待办清单（Todos）工具，帮AI记住下一步该做什么。但随着模型能力提升，这个工具反而成了束缚：系统每隔5轮就提醒AI看清单，让它不敢中途调整方向。后来团队把Todos换成了支持多Agent协作的Tasks工具——允许AI随时修改、删除任务，还能和其他子Agent共享任务状态。这一调整让Claude的代码调试效率提升了37%，因为它终于不用再被「必须按计划走」的规则绑架。

工具调用（tool calling）是AI完成复杂任务的基础能力，简单说就是AI通过调用外部工具（比如代码执行、bash命令）来拓展自身能力。但早期的工具调用都是静态的：人类把所有工具定义一次性塞进AI的上下文，导致上下文资源被占满，AI连思考的空间都没有。后来Anthropic推出了Tool Search Tool，让AI按需动态加载工具定义，一下子节省了85%的上下文资源，工具调用准确率从79.5%跃升到88.1%。

渐进式披露：让AI自己找答案

如果说能力匹配是给AI「配好工具」，那渐进式披露（progressive disclosure）就是教AI「用好工具」。这个概念的核心是：不要一次性把所有信息塞给AI，而是让它通过探索逐步发现需要的上下文。

早期的Claude Code用RAG技术预先把整个代码库塞进向量数据库，每次回复前自动给AI推送相关代码片段。但这种方式不仅需要复杂的预处理，还容易让AI被无关信息干扰。后来团队给AI加了Grep工具——让它自己搜索代码库，像人类开发者一样「找答案」。再到后来，他们又推出了Agent Skills，允许AI通过递归搜索多层文件，精确找到需要的信息。

举个例子：当用户问「怎么在Claude Code里加一个MCP」，以前AI会把整个文档都读一遍，现在它会先调用文档搜索工具，找到MCP相关的章节，再从中提取关键步骤。这个过程就像你查字典：先找部首，再翻页码，最后定位到具体的字——比把整本字典背下来高效多了。

渐进式披露的本质是把「信息推送」变成「信息检索」，让AI从被动接收变成主动探索。这一转变让Claude的上下文利用率提升了60%，因为它终于不用再处理那些无关的信息了。

动态编排：AI自己造工具的时代

传统的AI工具链都是静态的：人类预先定义好工具接口，AI只能按规则调用。但Anthropic的最新尝试打破了这个限制——他们推出了Programmatic Tool Calling（PTC），允许AI生成代码来编排工具调用。

比如，当需要分析2000条财务数据时，以前的AI需要调用2000次数据查询工具，每次调用都要把结果塞回上下文，导致上下文膨胀到200KB。现在AI可以生成一段Python代码，在沙箱里并行处理所有数据，最后只把1KB的关键结果反馈给模型。这不仅节省了37%的上下文资源，还把处理时间从20分钟缩短到了2分钟。

这种「代码优先、模式后置」的设计，让AI能根据任务需求即时生成工具，而不是被预先定义的工具束缚。比如，当用户需要分析一张图片里的文字时，AI可以生成一段OCR代码；当用户需要调用一个未注册的API时，AI可以生成一段HTTP请求代码——这就像给AI配了一个「万能工具箱」，它能自己造工具解决问题。

当我们谈论AI的智能时，我们其实在谈论人类的设计智慧。给AI配工具的过程，就像给一个孩子选玩具：太简单的玩具会让他无聊，太复杂的玩具会让他挫败。只有当玩具的难度和孩子的能力匹配时，他才能玩出花样。

AI工具链的进化，从来不是一个从简单到复杂的线性过程，而是一个「匹配-突破-再匹配」的循环。每一次工具的迭代，都是对AI能力边界的一次试探；每一次调整，都是对「智能」本质的一次重新定义。

工具是AI的延伸，更是人类认知的镜像。AI的智能，是人类设计能力的投影。