這篇總結也很好： x.com/omarsar0/statu…G Anthropic 又發布了一篇神級指南。 這次的主題是：如何建構更有效率的AI 智能體(AI Agent)，讓它們能更聰明地使用工具，並且大幅節省Token 。 如果你是AI 開發者，這篇文章絕對不容錯過！ 它主要解決了AI 智能體在呼叫工具時遇到的三大難題：Token 成本、延遲(latency) 和工具組合的效率。 怎麼做到的？簡單來說，它把「程式碼執行」和「模型寫的程式碼」 (MCP, Model-Written Code) 結合了起來。它不再讓AI 智能體直接去“調用工具”，而是把這些工具“偽裝”成代碼API，讓AI 智能體像程式設計師一樣透過編寫程式碼來使用它們。 以下是這篇指南的核心乾貨： 1. Token 效率的「黑洞」：想像一下，如果AI 智能體一上來就把所有可能用到的工具定義全塞進大腦（上下文視窗(context window)），並且在執行任務時，每一步的中間結果都塞回去。這樣會導致Token 開銷大到爆炸，一個複雜的多工具任務跑下來，有時會超過15 萬個Token。 2. 「程式碼即API」 策略：新方法是，不直接呼叫工具，而是把這些「模型寫的程式碼」 (MCP) 工具包打包成程式碼API（例如TypeScript 模組）。 AI 智能體可以像程式設計師一樣「導入」 (import) 並透過程式設計來呼叫它們。效果立竿見影：一個15 萬Token 的任務，瞬間被壓縮到了2000 個Token，節省了98.7%！ 3. 工具的「漸進式發現」：不再一股腦加載所有工具。 AI 智能體學會了“按需取用”，透過搜尋檔案系統或呼叫search_tools（搜尋工具）函數，只在需要時才載入目前任務相關的工具定義。這完美解決了「上下文臃腫」 (context rot) 和Token 過載的問題。 4. 「資料本地處理」：在把結果餵給大語言模型(LLM) 之前，先在程式碼執行環境裡把資料處理好（例如篩選、轉換、匯總）。舉個例子：AI 智能體不需要查看1 萬行的表格，程式碼環境會先幫它篩選出那5 行最重要的，再交給它。 5. 更優的控制流(Control Flow)：與其讓AI 智能體一步一步地「指揮」工具（例如「做完A，再做B」），不如直接用程式碼原生的循環(loops)、條件判斷(conditionals) 和錯誤處理來管理流程。這樣做，既減少了延遲，也省了Token。 6. 隱私權保護：敏感資料可以在整個工作流程中傳遞，而完全不進入大模型的「視野」（上下文）。只有那些被明確指定「返回」或「記錄」的值才會被模型看到，也可以選擇自動對個人識別資訊(PII) 進行脫敏。 7. 狀態持久化(State Persistence)：AI 智能體可以把中間結果存成文件，「斷點續傳」。這樣一來，它們就能處理那些需要跑很久的“大任務”，並且能追蹤進度。 8. 可重複使用的「技能包」：AI 智能體可以把寫好的有效程式碼保存成「可重複使用函數」（並配上SKILL .MD 文件），久而久之，它就能累積出一個強大的高階「技能庫」。 這種方法雖然更複雜，也還不完美，但它絕對能全面提升你所建構的AI 智能體的效率和準確性。
正在載入線程內容
正在從 X 取得原始推文，整理成清爽的閱讀畫面。
通常只需幾秒鐘，請稍候。