用途：为智能体系统设计可被模型高保真发现、理解与调用的工具接口。强调与面向人类的传统 API 不同，工具需优先考虑语义消歧、原子化组合与观察结果的 token 效率。
核心理念：工具是模型推理的延伸。若人类工程师都难以分辨何时用工具 A 而非工具 B，智能体同样无法分辨；描述清晰优先于技术精巧。
主要能力与概念：
- 合并原则：避免大量小工具，改用带可选参数的更丰富工具聚合相关工作流。示例：用 manage_user 处理用户生命周期，取代 list_users、get_user_email、update_user_role。
- 架构精简：随模型推理能力提升，删除专用工具，改用强力的“原语”。示例：以单个 execute_command 替代 10 个数据探索工具，让智能体直接用 grep、find、ls 操作文件系统。
- 工具描述工程：描述需回答做什么、何时用、接受什么参数（类型、约束、默认值）、返回什么格式与可能的错误。
实现模式：响应格式选择，让智能体自行选择回答详尽度以节省 token，如 get_customer 的参数 format 取 concise（仅 id 与 status）或 detailed（完整记录）。错误即引导：错误不应是终止性的，而应给出恢复指令，如 INVALID_ID 时提示 ID 需以 CUST- 开头并给出示例与后续操作。
适用场景：为智能体构建新能力（MCP、插件）；调试反复出现的工具调用失败；智能体在多个相似工具间混淆；优化工具输出的 token 占用。
脆弱性与自由度：脆弱性中等，糟糕的工具描述可能导致无限调用循环或幻觉参数；技术实现自由度较高，但定义结构自由度低。
相关集成：context-fundamentals（工具定义与注意力预算的关系）、evaluation（工具调用有效性与保真度测试）、filesystem-context（原语式文件系统工具的使用）。内部参考包括 references/best_practices.md（命名约定、参数类型与具体示例）与 references/architectural_reduction.md（删除 80% 工具提升任务成功率的案例研究）。
限制：资料未提供具体安装命令、收费信息、支持平台与量化评测数据。