很多人还没意识到。
Anthropic 这波 Tool Calling 更新，可能是 Agent 架构两年来最重要的一次升级。
如果你在做自动化 Agent、长任务 Agent、MCP 集成、企业级 workflow，这波更新不研究，很可能会被拉开差距。
先说问题。
传统 Tool Calling 是这样运作的：模型输出 JSON，调用函数，把结果喂回模型，再决定下一步。看起来很智能，本质是模型在打乒乓球。
任务稍微复杂一点，比如 search、read、再 read、再汇总，token 会迅速爆炸，多轮往返严重依赖模型重复生成参数，context 被大量无用信息占满。即使是 1M context window 也解决不了，因为真正有效可用的 context 远远小于理论上限。
问题不是模型不够强，而是架构太原始。
这次真正重要的升级是 Programmatic Tool Calling。
核心思想很简单：不再让模型拼 JSON，而是让模型直接写代码调用工具。
模型可以用 for loop 批量处理，用条件判断控制流程，在本地做过滤，减少往返调用。官方测试显示，token 消耗可以降低 30% 到 50%，复杂任务能走得更远，也更确定性。
这不是小优化，而是从“对话驱动 Agent”升级成“代码驱动 Agent”。
另外还有三个关键升级。
Dynamic Filtering 解决的是网页抓取时把整页 HTML 塞进 context 的问题。现在只提取相关内容，平均节省 24% token。
Tool Search 解决的是工具 schema 膨胀问题。几十个工具不用全塞进 context，需要时再动态加载，最高可以节省 80% context。
Tool Use Examples 解决复杂工具参数不稳定的问题。给工具提供调用示例后，复杂参数处理的准确率从 72% 提升到 90%。在生产环境里，这一点非常关键。
这波更新意味着什么？
Agent 的瓶颈，从来不是模型本身，而是 token 浪费、多轮往返、context 污染和非确定性。
这次更新的本质，是让 Agent 更像“程序”，而不是“聊天机器人拼 JSON”。
做 Agent 的人，会明显拉开差距。
我已经在 AI Builder Club 里做了完整拆解和实战示例。如果你在做 Agent，这一轮升级值得认真研究。
这不是一次功能更新，这是一次架构升级。
