Anthropic发布了Claude的三个新功能，让AI能够同时管理成百上千个工具！目前AI工具调用存在一个问题：工具越多，消耗的token就越多。比如接入5个常见服务（GitHub、Slack、Sentry等），光是加载工具定义就要消耗5.5万个token，对话还没开始，上下文就已经塞满了。而且工具一多，AI就容易选错工具或者填错参数，比如遇到名字相似的工具时，比如notification-send-user和notification-send-channel，就容易懵。为了解决这些问题，Anthropic推出了三个新功能：一、Tool Search Tool（工具搜索工具）不再一次性加载所有工具定义，而是让Claude按需查找。传统方式下，接入50多个MCP工具，需要提前加载约7.2万token的工具定义。而使用Tool Search Tool后，初始只加载500个token，只有当Claude真正需要某个工具时，才会搜索并加载相关定义（通常3-5个工具，约3000token）。总消耗从7.7万token降到8700token，节省了85%的上下文空间。在内部测试中，这个功能还显著提升了准确率。Opus 4的准确率从49%提升到74%，Opus 4.5从79.5%提升到88.1%。二、Programmatic Tool Calling（程序化工具调用）让Claude通过代码而不是自然语言来调用工具，减少中间结果对上下文的污染。举个例子，假设要检查"哪些团队成员超出了Q3差旅预算"。传统方式下，Claude需要：- 获取20个团队成员信息- 为每人调用工具获取Q3费用记录（20次工具调用，每次返回50-100条明细）- 获取预算限额- 所有这些数据（2000多条费用记录，约50KB）都进入Claude的上下文- Claude手动求和、比对预算而使用Programmatic Tool Calling后，Claude直接写一段Python脚本，在代码执行环境中完成所有操作。脚本可以并行调用工具、处理数据、筛选结果，最后只把超出预算的2-3个人的信息返回给Claude。2000多条明细记录不会进入Claude的上下文，消耗从200KB降到1KB。实测数据显示，复杂研究任务的token消耗从43588降到27297，减少了37%。同时准确率也有提升，知识检索任务从25.6%提升到28.5%。三、Tool Use Examples（工具使用示例）JSON Schema可以定义工具的结构，但无法表达使用习惯，比如日期格式该用"2024-11-06"还是"Nov 6, 2024"？ID是UUID格式还是"USR-12345"格式。Tool Use Examples让开发者直接在工具定义中提供样例调用，向Claude展示具体的使用模式。从样例中，Claude可以学到日期格式惯例、ID命名规则、哪些可选参数需要一起填写等信息。内部测试显示，这个功能让复杂参数处理的准确率从72%提升到90%。这三个功能可以单独使用，也可以组合使用，比如Anthropic新推出的Excel插件Claude for Excel就用Programmatic Tool Calling处理几千行的电子表格，避免上下文过载。目前这些功能处于beta阶段，需要在API调用时添加beta header才能使用。
