摘要
1) 一句话总结 本文档总结了 Claude Tool Use Cookbook 的核心入门路径，涵盖工具定义、调用策略、结构化输出与并行执行，旨在帮助开发者将单轮问答升级为行为可控的 Agent。
2) 核心要点
- 覆盖范围：包含计算器、客服 Agent、工具选择、Pydantic 结合、JSON 提取及并行工具调用等 6 个核心实战 Notebook。
- 工具定义：通过明确的
name、description和input_schema严格约束模型可调用的动作。 - 调用策略：利用
tool_choice参数，支持在自动选择、强制调用和禁用调用之间灵活切换。 - 结构化输出：结合 Pydantic 或 JSON schema 进行信息抽取，有效降低后处理解析成本。
- 并行执行：支持将多个独立查询拆分为并行工具调用，以缩短端到端响应时间。
- 典型场景：适用于高精度计算与规则查表、客服与业务流程（系统读写）、以及将自由文本稳定转化为可落库的结构化对象。
- 开发建议：工具 schema 的设计应从小且稳定起步，再逐步扩展参数和工具数量。
3) 风险与缺口
- 单点阻塞风险：并行工具调用时存在单点阻塞的风险，必须配合超时与失败回退策略。
- 格式输出风险：不能完全依赖模型“尽量输出正确格式”，若缺乏对关键字段的强校验，可能导致解析失败。
正文
本篇聚焦 Tool Use 的核心入门路径：先定义工具，再约束调用策略，最后实现结构化输出与并行调用。相比只看 API 参数，这组 notebook 更强调“模型行为可控性”，适合把单轮问答升级为可执行 Agent。
能力主线
- 工具定义：以明确的
name、description、input_schema约束模型可调用动作。 - 调用策略：通过
tool_choice在自动选择、强制调用、禁用调用之间切换。 - 结构化输出：结合 Pydantic 或 JSON schema，降低后处理解析成本。
- 并行执行：将多个独立查询拆分为并行工具调用，减少端到端响应时间。
典型场景
- 计算和查表类任务：把高精度计算、规则查询交给工具层。
- 客服与业务流程：模型负责理解与决策，工具负责系统读写。
- 信息抽取：把自由文本稳定转成可落库的结构化对象。
示例代码
def make_query_and_print_result(messages, tools=None):
response = client.messages.create(
model=MODEL_NAME,
messages=messages,
max_tokens=1000,
tool_choice={"type": "auto"},
tools=tools or [weather_tool, time_tool],
)
for block in response.content:
match block.type:
case "text":
print(block.text)
case "tool_use":
print(f"Tool: {block.name}({block.input})")
return response使用建议
- 先把工具 schema 做小做稳，再逐步扩展参数和工具数量。
- 对关键字段做强校验，不要只依赖模型“尽量输出正确格式”。
- 并行工具调用要配合超时与失败回退策略，避免单点阻塞。
相关文档
- Claude Tool Use Cookbook 实战清单下篇；关联理由：版本演进；说明：下篇延续上篇的工具调用基础，补充大规模工具检索与生产化能力。
- 在 Claude 开发者平台引入高级工具使用功能；关联理由：延伸思考；说明：本文覆盖基础工具调用范式，关联文进一步展开大规模工具库下的高级能力与取舍。
- 工具搜索工具；关联理由：上下游；说明：本文先建立通用 Tool Use 基础，关联文对应工具规模扩大后的按需检索能力。