工具使用

供 AI 调用外部函数和 API 的结构化接口

在隔离环境中安全地执行 LLM 生成的代码，用于计算和数据处理

用于在 AI 模型与工具之间共享上下文和能力的标准化协议

向智能体暴露单一、统一的工具接口，同时由内部控制平面将每个请求路由到其背后正确的工具、服务或模型。随着工具目录的演进，智能体的提示词保持稳定，而认证、策略、速率限制和可观测性都在同一处强制执行。

智能体像人一样操作图形用户界面（桌面、浏览器或移动端），通过读取截图并发出鼠标和键盘操作，而不是调用 API。核心挑战在于 GUI 定位：将意图映射到屏幕上精确的像素坐标。智能体循环执行截图、推理、行动和观察，直到任务完成。

以自包含文件夹形式打包的能力。每个技能都是一个 SKILL.md 文件，包含 YAML frontmatter（名称和描述），以及可选的脚本和资源。智能体通过元数据发现技能，并借助三个层级的渐进式披露来加载它们：先读取名称和描述以判断相关性，激活后加载完整的 SKILL.md，然后按需执行打包的脚本和资源。这样既能保持上下文精简，又能提供众多能力，而且该格式是一项被众多厂商采用的开放标准。

当智能体可以访问成百上千个工具或 MCP 服务器时，将每个 schema 都加载进提示词既昂贵又会损害选择准确性。工具检索会对工具定义建立索引，并在模型做出选择之前，针对每个查询只检索语义相关的工具（嵌入检索、主动发现和重排序）。RAG-MCP 报告称，工具选择准确率从约 13% 提升到 43%，同时将提示词的 token 数量削减了一半以上。

通过约束解码来保证模型输出符合某个 schema。JSON Schema、正则表达式或语法会被编译成一个有限状态机，在每个解码步骤中，会屏蔽掉那些会违反 schema 的 token，从而只能采样出有效的续写。在严格模式下，这使得格式错误的 JSON 和无效的工具参数成为不可能。该功能在 OpenAI、Google 和 Anthropic 上原生可用，也可用于 Outlines 和 vLLM 等开源库。

智能体的行动空间不再是每一轮输出一个 JSON 工具调用，而是用循环、条件和变量来编排工具的可执行代码。单个代码块可以调用多个工具、根据结果进行分支，并将中间数据保留在运行时中，而不必把每个结果都通过上下文窗口传回。Anthropic 报告称，当通过 MCP 从代码中调用工具时，在某些多工具工作流上可将 token 削减约 98%。

在智能体的工具 schema 中声明的一个专用、无副作用的“think”工具（Anthropic），模型在轨迹中途调用它，以在工具结果与下一步行动之间追加结构化推理。该调用没有任何外部效果，也不返回任何有用的内容：它只是为模型提供一个检查点，以便在一条很长的工具调用链中行动之前重新阅读策略、核对约束并进行规划。Anthropic 报告称，当把该工具与一段展示其用法的提示词搭配使用时，在 tau-bench 的 pass^1 airline 指标上取得了 54% 的相对提升（0.570，而基线为 0.370）。它不同于 `metacognitive-monitoring`：后者指的是监控自身推理的通用能力，而 think 工具是实现这一能力的一种具体的工具 schema 层面的机制，与在首次响应之前进行的扩展思考或推理时思考不同。

作为反向代理置于众多后端 MCP 服务器之前的单一受治理 MCP 入口，将它们的工具汇聚（联邦化）为供智能体连接的一个经过精选、统一管理的工具界面。每次工具调用都经由该网关，由其强制执行集中式认证、将调用方身份与下游服务器权限相分离的按工具授权、策略检查、速率限制、审计日志与遥测。这样一来，一堆各自独立部署、杂乱无章的服务器就变成了单一的受控集成契约，从而无需改动每个智能体即可对工具进行精选、版本管理和撤销。它区别于 `control-plane`：控制平面是暴露单一接口、在内部将请求路由至任意工具、服务或模型的通用模式，而 MCP 网关则是 MCP 生态特有的实现，专注于联邦化众多 MCP 服务器并治理共享的工具访问界面。