为大型语言模型（LLM）设计有效的工具对于实现最佳性能至关重要，因为糟糕的工具设计可能导致膨胀和混淆等问题。当工具定义消耗过多上下文时，就会发生膨胀，从而降低 LLM 的推理能力。混淆则源于模糊的命名、工具之间的语义相似性以及不清晰的描述，这会导致错误的工具调用和重试。缓解这些问题的实用方法包括优化工具描述、优化响应字段、提供清晰的错误消息以及实施枚举和默认值等模式约束。 AI
影响 有效的工具设计对于提高 LLM 性能和减少上下文浪费至关重要，直接影响代理系统的效率。
排序理由 博客文章，详细介绍了使用模型上下文协议（MCP）与 LLM 交互的工具设计的实用方法和权衡。
在 AWS Machine Learning Blog 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
In this post, we show where MCP tool design goes wrong and how to fix it with practical context engineering approaches.
<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://harnishsavsani.medium.com/crushing-domain-2-tool-design-mcp-integration-%EF%B8%8F-050ae0c9e960?source=rss------anthropic-5"><img src="https://cdn-images-1.medium.com/max/600/1*dfbhrW6e1r2-ZNM_BWvWDA.png" …