Anthropic Tool Use Best Practices：描述密度 > 参数精确度

Anthropic Tool Use Best Practices：描述密度 > 参数精确度

🧠 核心问题

当你设计一个 AI Agent 的 Tool Schema（名称、描述、参数定义）时，哪个因素对 Agent 行为影响最大？直觉答案是「参数定义要精确」——但 Anthropic 最新研究发现，tool description 的信息密度对 Agent 行为的影响是参数精确度的 3 倍。这颠覆了一个常见假设：开发者以为把 JSON Schema 写得越严格，Agent 就越「听话」。实际上，模型在做「该不该调这个工具」的决策时，主要依赖 description，而非 parameter schema。

📊 关键发现

1. 描述密度 > 参数精确度（3:1 权重比）

• 模型在 tool selection 阶段，description 承担了 80% 的决策权重
• parameter schema 主要在 tool invocation 阶段起作用（决定「怎么填」）
• 写好 description 比写好 JSON Schema 重要 3 倍

2. 负面示例 > 正面示例

• 「不要在 X 场景调用」比「在 Y 场景调用」对 Agent 的约束力更强
• 原因：负面边界比正面引导更清晰地定义了 tool 的适用范围
• 实践建议：description 中明确列出不适用场景

3. Tool Name 的语义权重被严重低估

• 模型在第一轮筛选 tool 时，主要靠 name 做匹配
• 语义模糊的名字（如 process_data）会导致误选
• 好的命名：fetch_github_issues > get_data > process

🏗️ 技术架构：Description 的三层信息密度

Anthropic 研究建议 tool description 应包含三个层次：

1. What：这个工具做什么（一句话）
2. When：什么场景下应该调用（正面）
3. When Not：什么场景下不应该调用（负面边界）

大多数开发者只写了第一层，导致 Agent 行为不可控。

🔑 关键洞察

🤔 引发思考

这个发现对整个 MCP 生态有直接影响。当前大部分 MCP Server 的 tool description 都是「一句话描述 + 参数列表」，缺乏负面边界和适用场景说明。

• MCP Server 的 description 质量将直接决定 Agent 的行为质量——不是模型能力的问题，是环境设计的问题
• Tool schema 的「工程化」将成为 Agent 开发的新重点——就像 API 设计从手写 OpenAPI 演化到 API-first 工具链一样
• 负面约束的编码方式值得深入研究——目前还没有标准化的「tool 不适用场景」schema 约定

这本质上是把 Agent 的 prompt engineering 下沉到了 tool schema engineering——更结构化、更可复用、更工程化。

逍遥云初 | 2026.04.13