Anthropic 团队成员 Thariq 的一篇分享刷屏 AI 圈，300 万围观者从中窥见了 Claude Code 的炼成密码。这篇聚焦 Agent 工具设计的深度复盘，核心观点直击要害：给模型设计工具既是科学也是艺术，没有僵化规则，关键是学会切换到 Agent 的视角思考。从提问优化到工具进化，从上下文构建到避免工具膨胀，Claude Code 的四大实战经验，为所有 Agent 开发者提供了可落地的行动指南。
一、信息获取：三次迭代，打造高效提问工具
Agent 与用户的沟通效率，直接决定任务推进速度。Claude Code 团队为优化提问能力（elicit），历经三次尝试才找到最优解，核心目标是降低交互摩擦、提升沟通带宽：
1. 失败尝试 1：依附现有工具，逻辑冲突
最初在 ExitPlanTool 中添加参数，让工具同时输出计划和问题列表。这种方案实现最简单，但直接让 Claude 陷入困惑 —— 当用户回答与计划冲突时，模型无法判断是否需要重复调用工具，逻辑闭环断裂，被迫放弃。
2. 失败尝试 2：修改输出格式，稳定性不足
转而要求 Claude 用变体 Markdown 格式输出带选项的问题列表，前端解析后渲染 UI。虽然改动范围小，但模型输出极不稳定：频繁出现多追加语句、漏掉选项或擅自变更格式的情况，无法保证用户体验一致性。
3. 成功方案：独立工具 AskUserQuestion，双向适配
最终打造独立工具，核心设计亮点十足：
-
触发机制：Claude 可随时调用，优先在 plan 模式下使用，工具激活后弹出模态框展示问题，阻塞 Agent 循环直至用户回应，避免任务中断；
-
输出规范：强制要求结构化内容，确保给用户提供多个选项，同时支持用户在 Agent SDK 或 Skills 中组合调用；
-
关键优势：模型 “愿意使用” 且输出效果优异 —— 设计再精妙的工具，若模型无法理解或不愿调用，终将沦为摆设。
这一工具的成功，印证了 Agent 工具设计的核心原则：既要适配用户需求，更要贴合模型的使用习惯。
二、工具进化：跟着模型能力动态调整
模型的成长速度远超预期，曾经的辅助工具可能变成新的束缚。Claude Code 从 Todo 到 Task 的工具迭代，完美诠释了 “工具需与模型共进化” 的道理：
1. 初期：TodoWrite 工具，解决 “记不住” 问题
Claude Code 刚上线时，模型需要明确指引才能保持专注，于是推出 TodoWrite 工具，让模型创建、更新待办列表并展示给用户。即便如此，模型仍频繁忘事，团队不得不每 5 轮对话插入系统提醒，强化目标记忆。
2. 迭代：Task 工具，适配 “强协作” 需求
随着模型能力升级，原有工具逐渐暴露短板：
-
束缚灵活性：更强的模型无需提醒，反而会因 Todo 列表陷入 “死守计划” 的误区，不敢灵活调整；
-
协作短板：Opus 4.5 的子 Agent 协作能力大幅提升，但多个子 Agent 无法共享 Todo 列表，信息割裂严重。
为此，团队将 TodoWrite 升级为 Task 工具，核心差异显著：
| 特性 | TodoWrite（早期） | Task（当前） |
|---|---|---|
| 核心目标 | 让单个 Agent 保持专注 | 支持多 Agent 协同协作 |
| 功能支持 | 简单待办创建与勾选 | 任务依赖关系、跨 Agent 同步、自由增删改 |
| 适用场景 | 单一模型执行简单任务 | 多子 Agent 联动完成复杂任务 |
这一迭代带来关键启示：模型能力提升后，需定期重审工具设计的前提假设，避免用过去的辅助手段限制未来的能力发挥。同时建议尽量聚焦少量能力相近的模型，避免工具设计陷入 “众口难调” 的困境。
三、上下文构建：让 Agent 自主探索，而非被动接收
上下文是 Agent 的核心资源，Claude Code 团队彻底重构了上下文获取方式，从 “被动投喂” 升级为 “主动构建”，关键在于渐进式披露（Progressive Disclosure）策略：
1. 初期：RAG 向量数据库，局限明显
Claude Code 刚发布时，依赖 RAG 向量数据库提供代码上下文。虽然 RAG 速度快，但存在致命问题：需要手动建索引、配置复杂，在不同环境下稳定性差，更重要的是 —— 上下文是 “塞给” 模型的，而非 Agent 自主获取，无法适配复杂场景的动态需求。
2. 升级：赋予搜索能力，自主构建
团队转换思路：既然 Claude 能搜索网页，为何不能搜索代码库？给模型配备 Grep 工具后，Agent 可自主搜索文件、筛选信息，按需构建上下文。这一改变印证了核心规律：模型越智能，越擅长利用工具自主构建上下文。
3. 进阶：渐进式披露，深度探索
推出 Agent Skills 后，团队将这一策略正式化：
-
递归探索：Claude 可读取 Skill 文件，而 Skill 文件可引用其他文件，模型能像剥洋葱一样，跨多层文件嵌套搜索，精准定位所需上下文；
-
能力延伸：Skills 的常见用法之一，就是为 Claude 添加专属搜索能力，例如教模型如何调用特定 API、查询数据库，无需额外开发新工具。
一年时间里，Claude 从 “完全不会自主构建上下文”，进化为 “能精准嵌套搜索多层文件”，证明了 Agent 自主探索能力的巨大潜力。
四、能力扩展：避免工具膨胀，用子 Agent 分流
工具数量并非越多越好 —— 每增加一个工具，模型就需多一层思考成本，反而降低决策效率。Claude Code 目前仅保留约 20 个工具，核心通过 “功能复用 + 子 Agent 分流” 实现能力扩展：
1. 痛点：基础信息与核心任务冲突
团队发现 Claude 对自身使用问题（如 “如何添加 MCP”“斜杠命令用途”）回答乏力。若将所有相关信息塞进系统 Prompt，会产生大量上下文噪音，严重干扰模型的核心任务 —— 写代码。
2. 方案：Claude Code Guide 子 Agent，精准分流
设计专用子 Agent，实现 “不加工具也扩展能力”：
-
触发条件：当用户询问关于 Claude Code 自身的问题时，主 Agent 会自动调用该子 Agent；
-
核心优势：子 Agent 内置详细指令，知道如何高效搜索文档、筛选关键信息、组织回应内容，避免主 Agent 分心；
-
实际效果：虽未达到完美（复杂配置问题仍会困惑），但大幅提升了回应准确性，同时保持了主工具集的精简。
这一策略的核心价值在于：通过功能模块化拆分，在不增加主 Agent 工具负担的前提下，实现能力边界的扩展，为 Agent 工具设计提供了 “轻量化扩展” 的新路径。
核心启示：Agent 工具设计的底层逻辑
Claude Code 的四大经验，本质围绕一个核心 ——“以 Agent 为中心”，而非 “以功能为中心”：
1. 工具要 “合手”：匹配模型能力边界
设计工具前，先通过观察模型输出、反复实验，摸清其真实能力水平。就像解数学题，纸笔、计算器、电脑的选择需适配使用者能力，Agent 工具也需贴合模型的 “能力天花板”，既不高估也不低估。
2. 迭代要 “灵活”：动态适配模型成长
模型能力的进化是持续的，工具设计不能一成不变。定期复盘原有假设是否成立，及时淘汰过时工具、升级适配新能力，避免 “曾经的帮手变成现在的束缚”。
3. 能力要 “内生”：赋能自主探索
优秀的 Agent 工具，不是替模型完成任务，而是赋予其自主完成任务的能力。让 Agent 学会自己构建上下文、自己解决问题，远比直接提供答案更有价值。
4. 扩展要 “克制”：拒绝无意义堆砌
工具膨胀会增加模型的决策成本，精简工具集反而能提升效率。通过子 Agent 分流、渐进式披露等策略，在保持工具精简的同时扩展能力边界，才是可持续的设计思路。
最终，所有经验都指向 Thariq 强调的核心：多做实验、多读模型输出、多尝试新方案，真正学会像 Agent 一样思考。在 AI 快速迭代的时代，这种 “以模型为用户” 的设计思维，正是打造优秀 Agent 的关键密码。