Keep on to blur preview images; turn off to show them clearly
不知道你是否跟我一样： 收藏夹里躺着几百篇文章，浏览器标签页永远关不完。 你告诉自己"有空再看"，但你知道，永远不会有那个空。 我也是。 直到我发现了NotebookLM。 我把过去三个月收藏的100篇关于AI的文章，全扔给它。 然后问了一个问题："这些文章在说什么？" 30秒后，它给了我一份总结。 不是那种机械的摘要，是真的帮我提炼出了核心观点。 更神奇的是，我问它："这些观点之间有什么矛盾吗？" 它找出了三个我从来没注意到的分歧点。 那一刻我突然意识到： 我以为我在收藏知识，其实我只是在囤积信息。 NotebookLM做的事情很简单： 它把你囤的那些东西，变成真正属于你的知识。 你可以跟它对话，可以问它问题，可以让它帮你找联系。 就像有一个永远不会累的助教，随时帮你消化你看过的所有内容。 收藏夹终于不再是一个坟墓了。
喜欢摇滚乐、爱钓鱼的PM 网站：https://t.co/vnUpLt752o
Agree with @raizamrtn . Indeed - coding needs to be #1 priority for any foundation models lab. With code and bash tools you can get your computer to do anything for the LLM/you. Possibilities are limitless - you can get LLMs to control any hardware that way, you can get it to control your robot for you and so on.. Recent Anecdote: I was having challenges connecting my Macbook to my LG TV for screen mirroring, and the issue was not going away no matter what. The suddenly I got the idea to get Claude Code to do it for me. Claude code figured out commands to troubleshoot the issue and told me exactly what to do - and actually did it for me.
Artificial Intelligence @amazon. All views personal!
欧洲云计算公司 #OVH 警告称明年云服务价格可能会上涨 5%~10%，究其原因主要是内存和 NVMe 固态硬盘价格正在快速上涨，这会导致云计算行业不得不涨价。OVH 预计明年该公司云服务价格会上涨 5%~10%，而同期服务器硬件成本会增加 15%~25%，也就是说即便涨价也不能抵消增长的成本。
查看全文：https://t.co/DsquWJUHIi
OpenAI搞了个购物研究功能，一句话ChatGPT即会搜索、比价、看评价、列优缺点，给出一份个性化购物指南 基于GPT-5-thinking-mini强化学习专用模型，直接读取公开网页，标明来源，不与商家共享聊天记录 核心主打一个“深度比较+筛选”，擅长电子产品、美妆、家居园艺、厨房电器、运动户外等复杂品类的选品 过程中可以点“不感兴趣/再多点这样的”来引导搜索过程，搜索功能会根据实时反馈进行调整 可以用它找同款、多款比较、找折扣、需求搜索等 #Openai #深度研究
博客：https://t.co/ZdxCmFNd7Y
![[Anthropic 工程博客解读] 高级工具使用功能：工具搜索工具、程序化工具调用和工具使用示例三项技术结合，显著降低 Token 消耗，工具选择更明确，复杂调用更准确。
Anthropic 最近在 Claude 开发者平台上推出了高级工具使用 (advanced tool use) 功能，让 AI 智能体能够高效处理数百甚至数千个工具，而不会被上下文窗口的限制所束缚。想象一下，一个智能体需要同时操作 IDE、Git、Slack、GitHub、Jira 或数据库等系统——传统方式下，工具定义会占用海量 Token，导致上下文膨胀、工具选择错误或调用延迟。这些新功能通过动态加载、代码编排和示例指导，显著提升了智能体的实用性和可扩展性。
https://t.co/RiM4CuLtgp
核心挑战与应对策略
构建可靠的工具使用系统面临三大痛点：
一是 Token 消耗过高——例如，从多个服务（如 GitHub 和 Slack）拉取工具定义，可能瞬间吃掉 50,000+ Token
二是工具选择不准——类似名称的工具（如 notification-send-user 和 notification-send-channel）容易混淆
三是调用模式模糊——JSON 模式虽规范参数，但无法直观展示复杂格式，如日期或嵌套对象。
Anthropic 的策略是“延迟与智能”：不一次性加载所有工具，而是按需发现和调用；用代码代替自然语言来协调多步操作，减少推理轮次；并通过示例澄清用法。这些方法本质上将工具使用从静态描述转向动态执行，帮助智能体在资源有限的环境中实现复杂工作流。
三大关键技术
1. 工具搜索工具（Tool Search Tool）
这是一个“元工具”，允许智能体在运行时搜索并加载相关工具，而非预加载全部定义。工具标记 defer_loading: true 后，只有搜索工具和少数核心工具进入初始上下文。智能体可通过名称或描述动态拉取，例如查询 GitHub 任务时，只加载 github.createPullRequest。
优势：Token 节省高达 85%（从 77K 降至 8.7K），准确率提升显著（如 Claude Opus 4 从 49% 升至 74%）。实现简单：在工具数组中添加搜索配置，即可支持 MCP 的批量延迟加载。这让智能体像“智能索引”一样，高效导航庞大工具库。
2. 程序化工具调用（Programmatic Tool Calling）
智能体不再逐一用自然语言调用工具，而是生成 Python 代码在沙箱环境中执行多工具协调。工具需标记 allowed_callers: ["code_execution_20250825"]，Claude 则输出包含循环、条件和并行执行（如 asyncio.gather）的代码片段。
示例：检查预算超支时，代码可并行获取团队成员、预算和支出数据，只将最终结果（如超支列表）返回给智能体，避免中间数据污染上下文。
优势：Token 减少 37%（从 43,588 降至 27,297），延迟降低（无需多轮推理），准确率在知识检索任务中从 25.6% 升至 28.5%。这特别适合处理大表格或 API 链路，如 Claude for Excel 中的批量数据分析。
3. 工具使用示例（Tool Use Examples）
补充 JSON 模式，提供输入示例来演示实际调用模式。例如，在 create_ticket 工具中，列出日期格式（YYYY-MM-DD）、嵌套对象（如 reporter）和可选参数（紧急升级）。每个工具可附 2-3 个变体示例。
优势：复杂参数准确率从 72% 跃升至 90%，尤其在 ID 格式或参数关联上。这像给智能体一份“用户手册”，让它快速掌握隐含规则。
实验结果与展望
内部基准测试显示，这些功能在 MCP 和 GIA 基准上均有提升：上下文保留率达 85%，整体准确率平均提高 10-20%。例如，在处理大型工具集时，Claude Opus 4.5 的性能从 79.5% 升至 88.1%。实际应用中，它已助力智能体无缝集成 Excel 或 Jira 等场景。](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG6j9ctMbwAEqfJL.jpg&w=3840&q=75 "[Anthropic 工程博客解读] 高级工具使用功能：工具搜索工具、程序化工具调用和工具使用示例三项技术结合，显著降低 Token 消耗，工具选择更明确，复杂调用更准确。
Anthropic 最近在 Claude 开发者平台上推出了高级工具使用 (advanced tool use) 功能，让 AI 智能体能够高效处理数百甚至数千个工具，而不会被上下文窗口的限制所束缚。想象一下，一个智能体需要同时操作 IDE、Git、Slack、GitHub、Jira 或数据库等系统——传统方式下，工具定义会占用海量 Token，导致上下文膨胀、工具选择错误或调用延迟。这些新功能通过动态加载、代码编排和示例指导，显著提升了智能体的实用性和可扩展性。
https://t.co/RiM4CuLtgp
核心挑战与应对策略
构建可靠的工具使用系统面临三大痛点：
一是 Token 消耗过高——例如，从多个服务（如 GitHub 和 Slack）拉取工具定义，可能瞬间吃掉 50,000+ Token
二是工具选择不准——类似名称的工具（如 notification-send-user 和 notification-send-channel）容易混淆
三是调用模式模糊——JSON 模式虽规范参数，但无法直观展示复杂格式，如日期或嵌套对象。
Anthropic 的策略是“延迟与智能”：不一次性加载所有工具，而是按需发现和调用；用代码代替自然语言来协调多步操作，减少推理轮次；并通过示例澄清用法。这些方法本质上将工具使用从静态描述转向动态执行，帮助智能体在资源有限的环境中实现复杂工作流。
三大关键技术
1. 工具搜索工具（Tool Search Tool）
这是一个“元工具”，允许智能体在运行时搜索并加载相关工具，而非预加载全部定义。工具标记 defer_loading: true 后，只有搜索工具和少数核心工具进入初始上下文。智能体可通过名称或描述动态拉取，例如查询 GitHub 任务时，只加载 github.createPullRequest。
优势：Token 节省高达 85%（从 77K 降至 8.7K），准确率提升显著（如 Claude Opus 4 从 49% 升至 74%）。实现简单：在工具数组中添加搜索配置，即可支持 MCP 的批量延迟加载。这让智能体像“智能索引”一样，高效导航庞大工具库。
2. 程序化工具调用（Programmatic Tool Calling）
智能体不再逐一用自然语言调用工具，而是生成 Python 代码在沙箱环境中执行多工具协调。工具需标记 allowed_callers: [\"code_execution_20250825\"]，Claude 则输出包含循环、条件和并行执行（如 asyncio.gather）的代码片段。
示例：检查预算超支时，代码可并行获取团队成员、预算和支出数据，只将最终结果（如超支列表）返回给智能体，避免中间数据污染上下文。
优势：Token 减少 37%（从 43,588 降至 27,297），延迟降低（无需多轮推理），准确率在知识检索任务中从 25.6% 升至 28.5%。这特别适合处理大表格或 API 链路，如 Claude for Excel 中的批量数据分析。
3. 工具使用示例（Tool Use Examples）
补充 JSON 模式，提供输入示例来演示实际调用模式。例如，在 create_ticket 工具中，列出日期格式（YYYY-MM-DD）、嵌套对象（如 reporter）和可选参数（紧急升级）。每个工具可附 2-3 个变体示例。
优势：复杂参数准确率从 72% 跃升至 90%，尤其在 ID 格式或参数关联上。这像给智能体一份“用户手册”，让它快速掌握隐含规则。
实验结果与展望
内部基准测试显示，这些功能在 MCP 和 GIA 基准上均有提升：上下文保留率达 85%，整体准确率平均提高 10-20%。例如，在处理大型工具集时，Claude Opus 4.5 的性能从 79.5% 升至 88.1%。实际应用中，它已助力智能体无缝集成 Excel 或 Jira 等场景。")
[Anthropic 工程博客解读] 高级工具使用功能：工具搜索工具、程序化工具调用和工具使用示例三项技术结合，显著降低 Token 消耗，工具选择更明确，复杂调用更准确。 Anthropic 最近在 Claude 开发者平台上推出了高级工具使用 (advanced tool use) 功能，让 AI 智能体能够高效处理数百甚至数千个工具，而不会被上下文窗口的限制所束缚。想象一下，一个智能体需要同时操作 IDE、Git、Slack、GitHub、Jira 或数据库等系统——传统方式下，工具定义会占用海量 Token，导致上下文膨胀、工具选择错误或调用延迟。这些新功能通过动态加载、代码编排和示例指导，显著提升了智能体的实用性和可扩展性。 https://t.co/RiM4CuLtgp 核心挑战与应对策略 构建可靠的工具使用系统面临三大痛点： 一是 Token 消耗过高——例如，从多个服务（如 GitHub 和 Slack）拉取工具定义，可能瞬间吃掉 50,000+ Token 二是工具选择不准——类似名称的工具（如 notification-send-user 和 notification-send-channel）容易混淆 三是调用模式模糊——JSON 模式虽规范参数，但无法直观展示复杂格式，如日期或嵌套对象。 Anthropic 的策略是“延迟与智能”：不一次性加载所有工具，而是按需发现和调用；用代码代替自然语言来协调多步操作，减少推理轮次；并通过示例澄清用法。这些方法本质上将工具使用从静态描述转向动态执行，帮助智能体在资源有限的环境中实现复杂工作流。 三大关键技术 1. 工具搜索工具（Tool Search Tool） 这是一个“元工具”，允许智能体在运行时搜索并加载相关工具，而非预加载全部定义。工具标记 defer_loading: true 后，只有搜索工具和少数核心工具进入初始上下文。智能体可通过名称或描述动态拉取，例如查询 GitHub 任务时，只加载 github.createPullRequest。 优势：Token 节省高达 85%（从 77K 降至 8.7K），准确率提升显著（如 Claude Opus 4 从 49% 升至 74%）。实现简单：在工具数组中添加搜索配置，即可支持 MCP 的批量延迟加载。这让智能体像“智能索引”一样，高效导航庞大工具库。 2. 程序化工具调用（Programmatic Tool Calling） 智能体不再逐一用自然语言调用工具，而是生成 Python 代码在沙箱环境中执行多工具协调。工具需标记 allowed_callers: ["code_execution_20250825"]，Claude 则输出包含循环、条件和并行执行（如 asyncio.gather）的代码片段。 示例：检查预算超支时，代码可并行获取团队成员、预算和支出数据，只将最终结果（如超支列表）返回给智能体，避免中间数据污染上下文。 优势：Token 减少 37%（从 43,588 降至 27,297），延迟降低（无需多轮推理），准确率在知识检索任务中从 25.6% 升至 28.5%。这特别适合处理大表格或 API 链路，如 Claude for Excel 中的批量数据分析。 3. 工具使用示例（Tool Use Examples） 补充 JSON 模式，提供输入示例来演示实际调用模式。例如，在 create_ticket 工具中，列出日期格式（YYYY-MM-DD）、嵌套对象（如 reporter）和可选参数（紧急升级）。每个工具可附 2-3 个变体示例。 优势：复杂参数准确率从 72% 跃升至 90%，尤其在 ID 格式或参数关联上。这像给智能体一份“用户手册”，让它快速掌握隐含规则。 实验结果与展望 内部基准测试显示，这些功能在 MCP 和 GIA 基准上均有提升：上下文保留率达 85%，整体准确率平均提高 10-20%。例如，在处理大型工具集时，Claude Opus 4.5 的性能从 79.5% 升至 88.1%。实际应用中，它已助力智能体无缝集成 Excel 或 Jira 等场景。
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
RT @nicksortor: 🚨 BREAKING: The Department of Government Efficiency (DOGE) just NUKED “fake news” reports that they’d been dissolved, annou…
Dir., Office of Personnel Management (previously, MP at a16z); Author of Secrets of Sand Hill Road; father of three amazing/crazy/beautiful girls.