核心小节二:Tool 不只是函数——为什么 Registry 最好保存 Tool 对象和 Metadata
上一小节我们保存的是: name → function 够不够? 短期够。 但很快你会想知道: 这个 Tool 是干什么的? 有没有副作用? 属于哪一类? 是否需要审批? 超时多少? 后面 Schema 怎么生成? 如...
小节三:实现 @tool 自动注册——让“定义工具”和“注册工具”变成一件事
如果每次定义 Tool 都要: def read_file(...): ... registry.register( Tool( name='read_file', description='...', func=read_file, ) ) 当然没问题。 但工具多了以后,会出现一个很常见的问...
小节四:把 Registry 接入 Agent Harness——让模型看到的 Tool 和 Harness 能执行的 Tool 来自同一个地方
这一节的核心思想就一句话:模型能看到什么工具,Harness 就应该从同一个来源里去执行什么工具。只要来源分裂,后面就很容易出现“模型看得到但系统调不到”,或者“系统能执行但模型根本不知道...
案例分析一:Coding Agent 从 2 个工具扩展到 12 个工具,为什么没有 Registry 很快会失控?
到了案例部分,前面讲过的“维护成本”和“统一入口”就会一下子变得特别具体。工具少的时候,硬写几个 if / elif 似乎还能忍;工具一旦从 2 个涨到 12 个,复杂度会很快失控。 左边那种写法...
章末自测
题目 1:为什么大量 if name == ... 会随着 Tool 增多越来越难维护? 假设一个 Coding Agent 从 2 个 Tool 扩展到 15 个 Tool,请从扩展性、重复修改、工具发现、权限、测试几个角度...
Tool Schema:让模型知道工具怎么用
上一节我们已经把 Tool Registry 搭起来了。 现在 Harness 已经知道: read_file write_file run_python run_shell 这些 Tool 到底对应哪个 Python 函数,也可以: registry.get('read_file') r...
小节一:Tool Schema 到底解决什么问题——把“函数怎么用”变成模型可读协议
先看最简单的函数: def read_file(path: str): '''读取指定文件''' 对于 Python 开发者来说,这个接口已经很清楚。 但对于模型来说,它需要被翻译。 最基础可以转换成: { 'name': 'read_file'...
小节二:从 Python 类型标注自动生成 Schema——真正把重复劳动交给程序
假设我们有: def read_file( path: str, encoding: str = 'utf-8', ) -> str: '''读取指定文本文件。''' Python 已经包含很多信息: 函数名: read_file 描述: 读取指定文本文件。 参数: pat...
小节三:让 Schema 与 Registry 合体——一个 Tool 只定义一次,模型与 Executor 共用同一份信息
上一节我们的 Tool: @dataclass class Tool: name: str description: str func: Callable 现在很自然可以加: schema: dict 但是更好的方式不是手写: schema = {...} 而是在注册时自动: sche...
小节四:Schema 不是越复杂越好——真正高质量的 Tool Schema 要“限制得恰到好处”
前面解决的是“能不能生成 Schema”,这一节开始解决“生成出来的 Schema 好不好用”。实际项目里,模型调用不稳定,很多时候不是模型本身不行,而是 Tool 的命名、参数和约束让它有太多可以误...













