近日，Anthropic 官方博客发布了一份详尽的指南，题为《Writing effective tools for LLM agents—using LLM agents》。该指南旨在帮助开发者利用 Model Context Protocol（MCP）为 LLM Agent 设计高效的工具。文中提出了 “原型 – 评估 – 协作” 三步迭代流程，并总结了五大设计原则，以确保工具的有效性和可用性。
首先，指南强调了在选择工具时需要谨慎。开发者应认真考虑工具的选择，以确保其能够有效地服务于 LLM Agent 的需求。其次，指南建议保持清晰的命名空间，确保不同工具和功能之间的名称不产生混淆，以便开发者可以快速理解和使用。
另外，工具的上下文返回值也需要更加有意义。指南指出，开发者应该优化工具返回的信息，使其更具信息量和上下文相关性，从而提升 LLM Agent 的工作效率。此外，返回信息的 Token 效率也需被重视，以降低数据传输的成本，提高处理速度。最后，指南提出通过提示工程来提升工具说明的质量，使得使用者能更清晰地理解工具的功能和用法。
文中还提到，许多结论是由 Claude Code 经过反复分析脚本、重构工具描述与模式后自动得出的，确保了分析的科学性和准确性。为防止过拟合，Anthropic 还通过保留测试集进行评估。同时，Anthropic 还开源了工具评估的 Cookbook，并预告未来 MCP 协议与底层 LLM 升级时，工具的能力也将随之演进。
