Claude的工具调用革命：从对话到编程的范式转变

Claude最近完成了一次架构层面的重大升级，这个改变可能比推理模型更具颠覆性。

核心变化很简单：以前是用户提问Claude回复调用工具Claude再回复。现在是用户提问Claude编写代码代码调用工具、处理结果、执行条件逻辑、多次调用工具最后返回Claude。

这个转变的威力在于，Claude不再像个健忘的助手，每次调用工具都要回来汇报。它会直接写一段代码，预先规划好各种可能的决策路径，让代码自主处理工具调用的结果。

以数据库查询为例。过去Claude需要查询一次，读取结果，思考下一步，再查询。现在它写的代码可以自己处理首次查询结果，决定是否继续查询，如何格式化数据，如何应对不同情况，完全不需要每一步都回到LLM做决策。

这相当于把几十上百次的对话循环压缩成一次代码执行。Agent不再是走一步看一步，而是预先烘焙好可能的决策树。有人在测试中看到工具调用准确率从50%跃升到96%，延迟和成本大幅下降。

更重要的发现是：中间结果不再进入上下文窗口。处理百万token级别的文件时，只有最终输出会占用上下文预算。这解决了大规模网页抓取的老大难问题——你不需要把整个HTML文件塞进上下文，让代码在沙盒里处理就好。

并行工具执行是另一个关键突破。串行调用不只是慢，模型还会在步骤之间丢失上下文。并行改变的是推理模式本身，不只是速度。

当然，这种模式也有代价。预先规划的代码在遇到意外情况时会显得僵硬。过度规划和规划不足一样浪费。传统的“慢循环”虽然效率低，但更具适应性。具体收益取决于任务类型，并非在所有场景下都能实现2到100倍的性能提升。

有趣的是，这个特性其实几个月前就在Anthropic的工程博客发布了，只是大多数人没注意到。现在它已经从Opus 4.5下放到Sonnet，开发者只需启用一个标志就能使用。

AI写代码的能力每提升一分，就为性能扩展开辟了新的维度。当代理可以独自运行两小时而不需要人类干预，当它能在不破坏上下文的情况下搜索整个网络，会话内学习就没有了真正的上限。

这不是噱头，是成熟的Agent架构模式的原生化实现。那些已经在手动实现这种模式的开发者现在可以直接用原生支持了。洁简的系统总是看起来无趣，直到它们开始输出结果。

x.com/NickADobos/status/2023861257757925469