工具多到塞不進 Prompt：Agent 工具檢索（Tool Retrieval）實作課
今日主題：工具檢索（Tool Retrieval）
2026-10-23 | 資料來源：Anthropic、UC Berkeley、arXiv
10 月 4 日那篇談的是 Agent「怎麼呼叫工具」：strict schema、並行呼叫、BFCL 評測。但那篇文章留下一個沒碰的規模問題：當工具從 10 個變成 1,000 個、甚至 10,000 個，呼叫機制再漂亮也沒用——因為你連「把工具定義放進 prompt」這一步都做不到。
Anthropic 在 2025 年 11 月的 Advanced Tool Use 研究裡給了一個很具體的數字：一個接了 5 個 MCP server 的設定——GitHub 35 個工具、Slack 11 個、Sentry 5 個、Grafana 5 個、Splunk 2 個——光是工具定義就要吃掉約 55K tokens。Anthropic 內部甚至觀測到 134K tokens 的案例：對話還沒開始，context window 已經先被工具目錄佔掉一大塊。
這就是今天的主題：工具檢索（Tool Retrieval）。當工具多到塞不進 prompt，你需要一套獨立的機制，先幫 Agent「找到對的工具」，再談呼叫。
一、為什麼「全部塞進去」會壞掉
第一個壞掉的是 token 預算。每個 MCP 工具的定義（名稱、描述、JSON schema）大約 200–800 tokens，而且每一輪對話都要重付一次。Claude Code 的實測很有代表性：147 個工具的定義約 90K tokens，改用 ToolSearch 延遲載入後，固定開銷降到約 15K。
第二個壞掉的是選擇準確度。工具越多，名字長得越像：notification-send-user 和 notification-send-channel 只差一個字，模型在幾十個候選裡挑錯的機率直線上升。Anthropic 把這列為最常見的失敗模式：選錯工具、填錯參數。
第三個最值得警惕：Arcade.dev 拿 4,027 個工具實測 Anthropic 的 Tool Search，發現光是「正確的工具出現在搜尋結果裡」這一關，成功率就只有 56%（regex 模式）到 64%（BM25 模式）。注意，這還沒談模型會不會選對、參數填得對不對——純粹是檢索這一步，就已經掉了四成。
結論很清楚：工具檢索是個獨立的工程問題，必須和「呼叫工具」分開設計、分開評測。如圖一。
二、四種實作路線
路線一：語意檢索——Berkeley Gorilla
最早把這個問題做成系統的是 UC Berkeley 的 Gorilla（2023）。做法有三招：用 self-instruct 為每個 API 生成合成的使用者提問、做文件檢索、再用 Retrieval-Aware Training（RAT）微調模型。RAT 的想法很漂亮：檢索器本來就會出錯，所以訓練時就讓模型「意識到檢索結果可能是錯的」，學會交叉驗證。
他們還建了 APIBench（約 1,600 個 ML API），用 AST 子樹比對來評 functional correctness。結果：7B 的 LLaMA 加上檢索，在 API 呼叫準確度上打敗 GPT-4，參數幻覺錯誤也大幅降低。Gorilla 證明的第一件事：選工具可以拆成「先檢索、再決策」兩步，而且檢索那一步值得專門訓練。
路線二：分層路由——MCP-Zero
工具一多，連「一次掃完全部工具」都很貴。MCP-Zero 的做法是分層：先做 server 層過濾（這個任務需要哪個 domain 的 server），再在選中的 server 裡面做 tool 層排序。
關鍵的設計翻轉是「誰來發起檢索」：不是拿使用者問題去比對，而是讓 Agent 在執行中主動聲明「我現在缺什麼能力」，用結構化的工具請求（server domain 加上想做的操作）去觸發檢索。模型生成的請求比原始使用者輸入更貼近工具文件的語言，匹配準確度自然更高。而且檢索是迭代的：拿到工具後發現不夠用，Agent 可以修正請求再查一輪。
路線三：工具搜尋工具——Anthropic
2025 年 11 月，Anthropic 把這套做法做成平台級功能：Tool Search Tool。核心機制是 defer_loading——工具定義延遲載入，prompt 裡只放一個搜尋工具，Claude 需要時自己查，查到後再按需載入完整 schema。
官方數字：token 節省最高 85%，工具選擇準確率從 49% 提升到 74%（Opus 4）。Anthropic 的採用建議也很實在：工具定義超過約 10K tokens 就該用。Claude Code 的實作還補了一個細節：MCP 工具可以宣告 _meta['anthropic/alwaysLoad'] 讓核心工具常駐，而 ToolSearch 自己永不被 defer——搜尋機制本身是最後一道防線，不能被優化掉。
路線四：意圖查詢生成——Toollery（2026）
最新的解法來自 2026 年的 Toollery 論文。它的洞察是：檢索時真正該比對的不是「規格語言」（工具文件的寫法），而是「意圖語言」（使用者會怎麼描述這個需求）。所以它為每個 capability 預先生成一批 user-intent queries，檢索時同時比對意圖查詢和規格文件。
規模數字很驚人：在約 79K 個 skills 的測試裡，全量 prompt 需要約 43.1M tokens，而 Toollery 取 top-10 只要約 27.7K——差了三個數量級。Hit@1 從純規格檢索的 0.55（BM25）拉到 0.92（意圖加規格）。如圖二。
三、最小可跑骨架
不管選哪條路線，落地時都是同一個模式：給 Agent 一個 search_tools 工具，只回傳候選工具的完整定義。下面是一個三十行的骨架（sentence-transformers 做語意檢索）：
from sentence_transformers import SentenceTransformer
class ToolRegistry:
def __init__(self, tools):
self.tools = {t["name"]: t for t in tools}
self.model = SentenceTransformer("all-MiniLM-L6-v2")
texts = [f"{t['name']}: {t['description']}" for t in tools]
self.emb = self.model.encode(texts, normalize_embeddings=True)
def search_tools(self, query: str, k: int = 5) -> list:
"""用自然語言描述需求，找回最相關的 k 個工具。
找不到就換關鍵字再查一次，不要猜工具名稱。"""
q = self.model.encode([query], normalize_embeddings=True)[0]
idx = (self.emb @ q).argsort()[::-1][:k]
names = list(self.tools)
return [self.tools[names[i]] for i in idx]
# Agent 系統提示詞的關鍵句：
# 「你有上千個工具可用，但一次只能看到搜尋結果。
# 先呼叫 search_tools 描述你的需求，拿到候選工具後再決定呼叫哪一個。」
重點在最後兩行提示詞：你必須明確告訴模型「不要猜工具名稱」。實務上很多選錯工具的案例，根因都是模型憑名字腦補出一個不存在的工具。
四、上生產環境的五個要點
第一，description 是檢索的命脈。寫「這個工具何時該用、何時不該用」，不要只寫功能。Toollery 的實驗證明：意圖語言的描述品質直接決定 Hit@1。
第二，核心工具常駐。搜尋工具本身、對話與推理的核心工具不要 defer，參考 Claude Code 的 alwaysLoad 機制。
第三，最小權限過濾。AWS Strands Agents 的 tool_filters 是很好的範本：生產環境只暴露該角色需要的工具。反面教材是「廚房水槽式」server：Atlassian Rovo 的 MCP server 一次註冊 70 多個工具，Agent 為了一個改 ticket 狀態的小任務，得先在一堆無關工具裡大海撈針。
第四，評測檢索本身。先量 recall@k 和 Hit@1，再談 agent 端到端成功率。Arcade 的 4,027 工具實測就是最好的提醒：檢索只有六成，後面做什麼優化都是沙上建塔。
第五，混合策略。BM25 吃精確名詞（工具名、專有名詞），語意檢索吃意圖描述，分層路由先縮小範圍。三者不互斥，生產環境通常是 BM25 加語意混合排序，外面再包一層 server 分層。
結論：選型建議
- 50 個工具以下：全部塞進 prompt，最簡單，別過度設計。
- 50–500 個：上 search_tools 加語意檢索，本文第三節的骨架就能跑。
- 500 個以上：分層路由或意圖查詢預生成，參考 MCP-Zero 與 Toollery。
- 生產環境：無論哪條路線，一律加最小權限過濾，並持續監控檢索命中率。
一句話收尾：工具檢索和工具呼叫是兩個問題。10 月 4 日那篇解決了後者，今天這篇解決前者。兩個都做好，Agent 才真的接得上現實世界那幾千個 API。
來源：
- Anthropic〈Introducing advanced tool use for Claude〉https://www.anthropic.com/research/advanced-tool-use
- Toollery: Scaling LLM Agents to Thousands of Skills and Tools https://arxiv.org/html/2609.22218v2
- Gorilla: Large Language Model Connected with Massive APIs https://arxiv.org/pdf/2305.15334
- Arcade〈Anthropic Tool Search Test: 4,000 Tools, 60% Success〉https://www.arcade.dev/blog/anthropic-tool-search-4000-tools-test/
- MCP-Zero：MCP tool discovery for autonomous LLM agents https://dev.to/portkey/mcp-tool-discovery-for-autonomous-llm-agents-3n3
- Strands Agents 工具過濾文件 https://strandsagents.com/docs/learning/give-your-agent-tools-using-mcp/
