No.7

核心观点

构建 Agent 最困难的部分之一是设计其行动空间（action space）。工具设计需要匹配模型的能力——就像给人类解决数学题时，纸笔、计算器、电脑各有适用场景。关键是学会"像 Agent 一样思考"。

一、改进提问能力 - AskUserQuestion 工具

目标

提高 Claude 的提问能力（elicitation），降低用户回答问题的摩擦，增加沟通带宽。

三次尝试

尝试 #1 - 编辑 ExitPlanTool

在 ExitPlanTool 中添加问题数组参数
问题：同时要求计划和问题会让 Claude 困惑
如果用户答案与计划冲突怎么办？需要调用两次工具吗？

尝试 #2 - 改变输出格式

修改 Claude 的输出指令，使用特殊的 markdown 格式
例如：带括号选项的项目符号列表
问题：Claude 不能保证格式一致，会添加额外句子、省略选项或使用不同格式

尝试 #3 - AskUserQuestion 工具 ✅

创建独立工具，Claude 可随时调用（特别是在计划模式）
触发时显示模态框，阻塞 Agent 循环直到用户回答
允许结构化输出，确保提供多个选项
可在 Agent SDK 中调用或在 skills 中引用
最重要：Claude 喜欢调用这个工具，输出效果很好

即使设计最好的工具，如果 Claude 不理解如何调用也没用。

二、随能力更新工具 - 从 Todo 到 Task

Todo 时代（早期）

模型需要 Todo 列表保持专注
提供 TodoWrite 工具来写入/更新 Todos
每 5 轮插入系统提醒，提醒 Claude 目标
问题：模型经常忘记要做什么

Task 时代（Opus 4.5）

新模型不仅不需要提醒，反而被 Todo 列表限制
系统提醒让 Claude 认为必须严格遵守列表，而不是修改它
Opus 4.5 更擅长使用子代理，但如何在共享 Todo 列表上协作？
解决方案：用 Task 工具替代 TodoWrite
- Todo 是关于保持模型专注
- Task 是关于帮助 Agent 相互沟通
- Task 可以包含依赖关系、跨子代理共享更新、可修改和删除

教训

随着模型能力提升，曾经需要的工具可能现在反而成为限制。要不断重新审视之前的假设。支持少量能力相近的模型也很重要。

三、设计搜索界面

从 RAG 到 Grep

早期：RAG 向量数据库

强大且快速，但需要索引和设置
在不同环境中可能不稳定
更重要：Claude 是被给予上下文，而不是自己找到上下文

现在：Grep 工具

如果 Claude 能在网上搜索，为什么不能搜索代码库？
给 Claude Grep 工具，让它自己搜索文件和构建上下文
模式：随着 Claude 变聪明，如果给予正确工具，它越来越擅长自己构建上下文

渐进式披露（Progressive Disclosure）

通过 Agent Skills 正式化了渐进式披露概念，允许 Agent 通过探索逐步发现相关上下文。

Claude 可以读取 skill 文件
这些文件可以引用其他文件
Claude 可以递归读取
Skills 的常见用途：添加更多搜索能力（如 API 使用说明、数据库查询）

演进： 一年内，Claude 从几乎无法构建自己的上下文，到能够跨多层文件进行嵌套搜索，找到所需的确切上下文。

渐进式披露现在是常用技术，用于在不添加工具的情况下增加新功能。

四、渐进式披露案例 - Claude Code Guide Agent

问题

Claude Code 目前有约 20 个工具，添加新工具的门槛很高（给模型多一个选项去思考）。

Claude 不够了解如何使用 Claude Code 本身：

如何添加 MCP？
slash 命令是什么？

解决方案演进

方案 1：放入系统提示词

问题：用户很少问这些问题，会增加上下文腐烂，干扰 Claude Code 的主要工作（写代码）

方案 2：提供文档链接

Claude 可以加载文档搜索信息
问题：Claude 会加载大量结果到上下文中，实际上只需要答案

方案 3：Claude Code Guide 子代理 ✅

当询问 Claude Code 自身时，提示 Claude 调用此子代理
子代理有详细的文档搜索指令和返回内容规范
虽然不完美（Claude 在设置问题上仍会困惑），但比以前好多了
在不添加工具的情况下扩展了 Claude 的行动空间

五、总结：艺术而非科学

设计模型工具更像艺术而非科学，高度依赖于：

使用的模型
Agent 的目标
运行环境

建议：

经常实验
阅读输出
尝试新事物
像 Agent 一样思考（See like an agent）

个人思考

这篇文章展示了 Anthropic 团队在构建 Claude Code 过程中的实践智慧：

工具设计要匹配模型能力：不是越多越好，而是要"合身"
随模型演进调整工具：昨天的拐杖可能是今天的枷锁
让 AI 主动构建上下文：从被动接收到主动探索
渐进式披露：不要一次性塞给 AI 所有信息
实践导向：没有银弹，需要不断观察、实验、调整

这对我们设计 AI 工作流和工具有很强的指导意义。

Lessons from Building Claude Code - Seeing like an Agent

AI 核心摘要