What is the Model Context Protocol (MCP) and how does it relate to AI agents?

The Model Context Protocol (MCP) is a framework designed to empower large language model (LLM) agents by providing them with access to potentially hundreds of tools, enabling them to solve complex real-world tasks. It defines a standardized way for agents to interact with external systems and data sources, transforming how AI agents can leverage deterministic software. Rather than agents relying solely on their internal knowledge, MCP allows them to use specialized tools, much like a human uses various applications or references to complete tasks, thus significantly expanding their capabilities and effectiveness across diverse domains.

Why is designing tools specifically for non-deterministic AI agents different from traditional software development?

Traditional software development typically involves creating contracts between deterministic systems, where a given input always yields the same predictable output. AI agents, however, are non-deterministic, meaning their responses can vary even with identical starting conditions. This fundamental difference requires rethinking tool design. Instead of assuming precise, static interactions, tools for AI agents must be robust enough to handle varied agentic reasoning, potential misunderstandings, or even hallucinations. The goal is to make tools 'ergonomic' for agents, facilitating their diverse problem-solving strategies, which often results in surprisingly intuitive tools for human users too.

What are the critical steps in evaluating the performance of AI agent tools?

Evaluating AI agent tools involves a systematic approach starting with generating a diverse set of real-world evaluation tasks. These tasks should be complex enough to stress-test tools, potentially requiring multiple tool calls. Next, the evaluation is run programmatically, typically using agentic loops that simulate how an agent would interact with the tools. Key metrics collected include accuracy, total runtime, number of tool calls, token consumption, and tool errors. Finally, analyzing results involves having agents provide reasoning and feedback, reviewing raw transcripts, and identifying patterns in tool usage or errors to pinpoint areas for improvement in tool descriptions, schemas, or implementations.

How can AI agents like Claude optimize their own tools?

Anthropic demonstrates that AI agents, particularly models like Claude Code, can play a pivotal role in optimizing the very tools they use. This is achieved by feeding the agent transcripts and results from tool evaluations. Claude can then analyze these interactions, identify inefficiencies, inconsistencies, or areas where tool descriptions are unclear, and suggest refactorings. For instance, it can ensure that tool implementations and descriptions remain self-consistent after changes or recommend adjustments to parameters for better token efficiency. This collaborative approach leverages the agent's analytical capabilities to continuously improve the quality and ergonomics of its toolset, leading to enhanced performance.

What are the key principles for writing high-quality tools for AI agents?

Several core principles guide the creation of effective tools for AI agents. Firstly, judiciously choosing which tools to implement (and which to omit) is crucial for agent clarity and efficiency. Secondly, namespacing tools clearly defines their functional boundaries, reducing ambiguity for the agent. Thirdly, tools should return meaningful and concise context to agents, aiding their decision-making. Fourthly, optimizing tool responses for token efficiency is vital for managing costs and processing speed in LLM interactions. Lastly, meticulous prompt-engineering of tool descriptions and specifications ensures agents accurately understand and utilize each tool's purpose and capabilities, minimizing errors and maximizing effectiveness.

ابزارهای عامل: افزایش عملکرد هوش مصنوعی با بهینه‌سازی Claude

title: "ابزارهای عامل: افزایش عملکرد هوش مصنوعی با بهینه‌سازی Claude" slug: "writing-tools-for-agents" date: "2026-03-08" lang: "fa" source: "https://www.anthropic.com/engineering/writing-tools-for-agents" category: "ابزارهای توسعه‌دهنده" keywords:

عوامل هوش مصنوعی
ابزارهای LLM
Anthropic Claude
بهینه‌سازی ابزار
سیستم‌های عامل‌محور هوش مصنوعی
پروتکل بستر مدل (MCP)
ارزیابی ابزار
مهندسی پرامپت
ابزارهای توسعه‌دهنده
عملکرد هوش مصنوعی
سیستم‌های غیرقطعی
توسعه نرم‌افزار meta_description: 'کشف کنید که چگونه ابزارهای عامل هوش مصنوعی با کیفیت بالا را با Anthropic Claude بنویسید و بهینه کنید. ساخت نمونه‌های اولیه، ارزیابی‌های جامع و همکاری عامل برای افزایش عملکرد هوش مصنوعی را بیاموزید.' image: "/images/articles/writing-tools-for-agents.png" image_alt: "تصویری از ارزیابی و بهینه‌سازی ابزار عامل هوش مصنوعی با استفاده از Claude Code برای عملکرد بهبودیافته." quality_score: 94 content_score: 93 seo_score: 95 companies:
Anthropic schema_type: "NewsArticle" reading_time: 7 faq:
question: "پروتکل بستر مدل (MCP) چیست و چگونه به عوامل هوش مصنوعی مربوط می‌شود؟" answer: "پروتکل بستر مدل (MCP) چارچوبی است که برای توانمندسازی عوامل مدل زبان بزرگ (LLM) با فراهم کردن دسترسی آن‌ها به صدها ابزار بالقوه، طراحی شده است تا آن‌ها را قادر سازد وظایف پیچیده دنیای واقعی را حل کنند. این پروتکل راهی استاندارد برای تعامل عوامل با سیستم‌های خارجی و منابع داده را تعریف می‌کند و نحوه استفاده عوامل هوش مصنوعی از نرم‌افزار قطعی را متحول می‌سازد. به جای اینکه عوامل صرفاً به دانش داخلی خود متکی باشند، MCP به آن‌ها اجازه می‌دهد از ابزارهای تخصصی استفاده کنند، بسیار شبیه به اینکه یک انسان از برنامه‌ها یا مراجع مختلف برای انجام وظایف استفاده می‌کند، بنابراین قابلیت‌ها و اثربخشی آن‌ها را در حوزه‌های متنوع به طور قابل توجهی گسترش می‌دهد."
question: "چرا طراحی ابزارها به طور خاص برای عوامل هوش مصنوعی غیرقطعی متفاوت از توسعه نرم‌افزار سنتی است؟" answer: "توسعه نرم‌افزار سنتی معمولاً شامل ایجاد قراردادهایی بین سیستم‌های قطعی است که در آن یک ورودی مشخص همیشه همان خروجی قابل پیش‌بینی را تولید می‌کند. اما عوامل هوش مصنوعی غیرقطعی هستند، به این معنی که پاسخ‌های آن‌ها حتی با شرایط اولیه یکسان نیز می‌تواند متفاوت باشد. این تفاوت اساسی نیاز به بازنگری در طراحی ابزار دارد. به جای فرض تعاملات دقیق و ایستا، ابزارهای عوامل هوش مصنوعی باید به اندازه کافی قوی باشند تا بتوانند استدلال‌های متنوع عاملی، سوءتفاهم‌های احتمالی یا حتی توهمات را مدیریت کنند. هدف این است که ابزارها برای عوامل 'ارگونومیک' باشند و راهبردهای متنوع حل مسئله آن‌ها را تسهیل کنند، که اغلب منجر به ابزارهایی به طور شگفت‌انگیزی بصری برای کاربران انسانی نیز می‌شود."
question: "مراحل حیاتی در ارزیابی عملکرد ابزارهای عامل هوش مصنوعی کدامند؟" answer: "ارزیابی ابزارهای عامل هوش مصنوعی شامل یک رویکرد سیستماتیک است که با تولید مجموعه‌ای متنوع از وظایف ارزیابی در دنیای واقعی آغاز می‌شود. این وظایف باید به اندازه کافی پیچیده باشند تا ابزارها را تحت فشار قرار دهند و احتمالاً به چندین فراخوانی ابزار نیاز داشته باشند. در مرحله بعد، ارزیابی به صورت برنامه‌ریزی‌شده، معمولاً با استفاده از حلقه‌های عامل‌محور که نحوه تعامل یک عامل با ابزارها را شبیه‌سازی می‌کنند، اجرا می‌شود. معیارهای کلیدی جمع‌آوری شده شامل دقت، زمان اجرای کل، تعداد فراخوانی‌های ابزار، مصرف توکن و خطاهای ابزار است. در نهایت، تحلیل نتایج شامل ارائه استدلال و بازخورد توسط عوامل، بررسی رونوشت‌های خام، و شناسایی الگوها در استفاده یا خطاهای ابزار برای مشخص کردن زمینه‌های بهبود در توضیحات، طرح‌ها یا پیاده‌سازی‌های ابزار است."
question: "چگونه عوامل هوش مصنوعی مانند Claude می‌توانند ابزارهای خود را بهینه کنند؟" answer: "Anthropic نشان می‌دهد که عوامل هوش مصنوعی، به ویژه مدل‌هایی مانند Claude Code، می‌توانند نقش محوری در بهینه‌سازی ابزارهایی که خودشان استفاده می‌کنند، ایفا کنند. این امر با تغذیه رونوشت‌ها و نتایج ارزیابی ابزار به عامل محقق می‌شود. سپس Claude می‌تواند این تعاملات را تحلیل کند، ناکارآمدی‌ها، ناهماهنگی‌ها یا مناطقی که توضیحات ابزار مبهم هستند را شناسایی کرده و بازسازی‌ها را پیشنهاد دهد. به عنوان مثال، می‌تواند اطمینان حاصل کند که پیاده‌سازی‌ها و توضیحات ابزار پس از تغییرات خودسازگار باقی می‌مانند یا تنظیماتی را برای پارامترها به منظور بهره‌وری بهتر توکن توصیه کند. این رویکرد مشارکتی از قابلیت‌های تحلیلی عامل برای بهبود مستمر کیفیت و ارگونومی مجموعه ابزارهای آن استفاده می‌کند که منجر به افزایش عملکرد می‌شود."
question: "اصول کلیدی برای نوشتن ابزارهای با کیفیت بالا برای عوامل هوش مصنوعی کدامند؟" answer: "چندین اصل اساسی، ایجاد ابزارهای مؤثر برای عوامل هوش مصنوعی را هدایت می‌کنند. اولاً، انتخاب هوشمندانه ابزارهایی که باید پیاده‌سازی شوند (و کدام‌ها حذف شوند) برای وضوح و کارایی عامل حیاتی است. ثانیاً، نام‌گذاری واضح ابزارها مرزهای عملکردی آن‌ها را به وضوح تعریف می‌کند و ابهام را برای عامل کاهش می‌دهد. ثالثاً، ابزارها باید بستر معنادار و مختصر را به عوامل بازگردانند و به تصمیم‌گیری آن‌ها کمک کنند. رابعاً، بهینه‌سازی پاسخ‌های ابزار برای بهره‌وری توکن برای مدیریت هزینه‌ها و سرعت پردازش در تعاملات LLM حیاتی است. در نهایت، مهندسی دقیق پرامپت توضیحات و مشخصات ابزار تضمین می‌کند که عوامل هدف و قابلیت‌های هر ابزار را به درستی درک کرده و از آن استفاده می‌کنند، خطاهای را به حداقل رسانده و اثربخشی را به حداکثر می‌رساند."

نقش حیاتی ابزارها در عملکرد عامل هوش مصنوعی

در چشم‌انداز به سرعت در حال تکامل هوش مصنوعی، کارایی یک عامل هوشمند به طور قابل توجهی به کیفیت و کاربرد ابزارهایی که به کار می‌گیرد، بستگی دارد. همانطور که مدل‌های هوش مصنوعی توانمندتر می‌شوند و آن‌ها را قادر می‌سازند وظایف پیچیده و چند مرحله‌ای را انجام دهند، نحوه تعامل آن‌ها با سیستم‌های خارجی – از طریق "ابزارها" – از اهمیت بالایی برخوردار می‌شود. Anthropic، پیشرو در تحقیق و توسعه هوش مصنوعی، بینش‌های مهمی را در مورد نحوه ساخت، ارزیابی و حتی بهینه‌سازی این ابزارها به اشتراک گذاشته است که عملکرد عامل را به شدت افزایش می‌دهد.

در قلب این رویکرد، پروتکل بستر مدل (MCP) قرار دارد، سیستمی که برای توانمندسازی عوامل مدل زبان بزرگ (LLM) با دسترسی به طیف وسیعی از عملکردها طراحی شده است. با این حال، صرفاً فراهم کردن ابزارها کافی نیست؛ آن‌ها باید حداکثر اثربخشی را داشته باشند. این مقاله به تکنیک‌های اثبات شده Anthropic برای بهبود سیستم‌های عامل‌محور هوش مصنوعی می‌پردازد و نشان می‌دهد که چگونه مدل‌های هوش مصنوعی مانند Claude می‌توانند مجموعه‌ابزارهای خود را به صورت مشترک اصلاح کنند. سفر از مفهوم اولیه تا ابزار بهینه‌سازی شده شامل نمونه‌سازی، ارزیابی دقیق و یک حلقه بازخورد مشترک با خود عامل است.

درک ابزارهای عامل هوش مصنوعی: الگویی جدید برای نرم‌افزار

به طور سنتی، توسعه نرم‌افزار بر اساس اصول قطعی عمل می‌کند: با ورودی یکسان، یک تابع همیشه خروجی یکسانی را تولید خواهد کرد. یک فراخوانی ساده getWeather("NYC") را در نظر بگیرید؛ این تابع به طور مداوم آب و هوای شهر نیویورک را به یک شیوه یکسان واکشی می‌کند. با این حال، عوامل هوش مصنوعی، مانند Claude شرکت Anthropic، به عنوان سیستم‌های غیرقطعی عمل می‌کنند. این بدان معناست که پاسخ‌های آن‌ها حتی تحت شرایط اولیه یکسان نیز می‌تواند متفاوت باشد.

این تفاوت اساسی نیاز به تغییر الگو در هنگام طراحی نرم‌افزار برای عوامل دارد. ابزارهای عوامل هوش مصنوعی فقط توابع یا APIهایی برای توسعه‌دهندگان دیگر نیستند؛ آن‌ها رابط‌هایی هستند که برای یک موجودیت هوشمند، اما گاهی غیرقابل پیش‌بینی، طراحی شده‌اند. وقتی یک کاربر می‌پرسد، "آیا امروز باید چتر بیاورم؟"، یک عامل ممکن است یک ابزار آب و هوا را فراخوانی کند، از دانش عمومی استفاده کند، یا حتی برای روشن شدن مکان درخواست کند. گاهی اوقات، عوامل ممکن است دچار توهم شوند یا نتوانند نحوه استفاده صحیح از یک ابزار را درک کنند.

بنابراین، هدف افزایش "سطح دسترسی" است که عوامل می‌توانند در آن مؤثر باشند. این بدان معناست که ابزارهایی ایجاد کنیم که نه تنها قوی باشند، بلکه برای عوامل نیز "ارگونومیک" باشند. جالب اینجاست که تجربه Anthropic نشان می‌دهد ابزارهایی که با در نظر گرفتن ماهیت غیرقطعی یک عامل طراحی شده‌اند، اغلب برای انسان‌ها نیز به طور شگفت‌انگیزی بصری و قابل فهم از آب در می‌آیند. این دیدگاه در مورد توسعه ابزار برای باز کردن پتانسیل کامل مدل‌های پیچیده مانند Claude Opus یا Claude Sonnet در کاربردهای دنیای واقعی حیاتی است.

توسعه ابزارهای مؤثر هوش مصنوعی: از نمونه اولیه تا بهینه‌سازی

سفر ایجاد ابزارهای مؤثر عامل هوش مصنوعی یک فرآیند تکراری از ساخت، آزمایش و بهبود است. Anthropic بر رویکرد عملی تاکید می‌کند که با نمونه‌سازی سریع آغاز شده و سپس به ارزیابی جامع می‌رسد.

ساخت یک نمونه اولیه سریع

پیش‌بینی نحوه تعامل عوامل با ابزارها بدون تجربه عملی می‌تواند چالش‌برانگیز باشد. اولین گام شامل راه‌اندازی سریع یک نمونه اولیه است. اگر توسعه‌دهندگان از عاملی مانند Claude Code برای ایجاد ابزار استفاده می‌کنند، ارائه مستندات ساختاریافته برای هر کتابخانه نرم‌افزاری، APIها یا SDKهای زیربنایی (از جمله MCP SDK) بسیار مهم است. فایل‌های متنی 'llms.txt' که اغلب در سایت‌های مستندات رسمی یافت می‌شوند، به ویژه برای LLMها مناسب هستند.

این نمونه‌های اولیه می‌توانند در یک سرور محلی MCP یا یک افزونه دسکتاپ (DXT) برای تسهیل آزمایش محلی در Claude Code یا برنامه دسکتاپ Claude بسته‌بندی شوند. برای آزمایش برنامه‌ریزی‌شده، ابزارها همچنین می‌توانند مستقیماً به فراخوانی‌های API Anthropic منتقل شوند. این مرحله اولیه توسعه‌دهندگان را تشویق می‌کند تا شخصاً ابزارها را آزمایش کنند، بازخورد کاربران را جمع‌آوری کنند و درک شهودی از موارد استفاده مورد انتظار و پرامپت‌هایی که ابزارها برای مدیریت آن‌ها در نظر گرفته شده‌اند، به دست آورند.

اجرای یک ارزیابی جامع

هنگامی که یک نمونه اولیه عملکردی شد، مرحله حیاتی بعدی اندازه‌گیری میزان کارایی عامل در استفاده از این ابزارها از طریق یک ارزیابی سیستماتیک است. این شامل تولید تعداد زیادی وظایف ارزیابی است که ریشه در سناریوهای واقعی دنیای واقعی دارند.

تولید وظایف ارزیابی

وظایف ارزیابی باید از پرسش‌های واقعی کاربران الهام گرفته شده و از منابع داده واقع‌گرایانه استفاده کنند. مهم است که از محیط‌های "سندباکس" ساده‌ای که پیچیدگی ابزارها را به اندازه کافی آزمایش نمی‌کنند، اجتناب شود. وظایف ارزیابی قوی اغلب از عوامل می‌خواهند تا چندین فراخوانی ابزار را برای دستیابی به یک راه‌حل انجام دهند.

نوع وظیفه	مثال قوی	مثال ضعیف
برنامه‌ریزی جلسه	"یک جلسه با Jane در هفته آینده برای بحث در مورد آخرین پروژه Acme Corp ما برنامه‌ریزی کنید. یادداشت‌های جلسه برنامه‌ریزی پروژه قبلی ما را پیوست کرده و یک اتاق کنفرانس رزرو کنید."	"یک جلسه با jane@acme.corp در هفته آینده برنامه‌ریزی کنید."
خدمات مشتری	"مشتری با شناسه 9182 گزارش داد که برای یک تلاش خرید سه بار هزینه از او کسر شده است. تمام ورودی‌های مربوط به گزارش را پیدا کنید و مشخص کنید که آیا مشتریان دیگری تحت تأثیر همین مشکل قرار گرفته‌اند یا خیر."	"در گزارشات پرداخت به دنبال 'purchase_complete' و 'customer_id=9182' بگردید."
تحلیل حفظ مشتری	"مشتری Sarah Chen تازه درخواست لغو را ارسال کرده است. یک پیشنهاد حفظ مشتری آماده کنید. تعیین کنید: (۱) چرا او در حال ترک است، (۲) چه پیشنهاد حفظی جذاب‌ترین خواهد بود، و (۳) هر عامل خطری که باید قبل از ارائه پیشنهاد از آن آگاه باشیم."	"درخواست لغو را توسط مشتری با شناسه 45892 پیدا کنید."

هر پرامپت باید با یک پاسخ یا نتیجه قابل تأیید همراه باشد. تأییدکننده‌ها می‌توانند از مقایسه‌های رشته‌ای ساده تا ارزیابی‌های پیشرفته‌تر با استفاده از یک عامل برای قضاوت پاسخ متفاوت باشند. اجتناب از تأییدکننده‌های بیش از حد سخت‌گیرانه که ممکن است پاسخ‌های معتبر را به دلیل تفاوت‌های جزئی در قالب رد کنند، بسیار مهم است. به صورت اختیاری، توسعه‌دهندگان می‌توانند فراخوانی‌های ابزار مورد انتظار را مشخص کنند، اگرچه این کار باید با دقت انجام شود تا از مشخص کردن بیش از حد یا فیت شدن بیش از حد به استراتژی‌های خاص جلوگیری شود، زیرا عوامل ممکن است مسیرهای معتبر متعددی را برای رسیدن به یک راه‌حل پیدا کنند.

اجرای برنامه‌ریزی‌شده ارزیابی

Anthropic توصیه می‌کند که ارزیابی‌ها را به صورت برنامه‌ریزی‌شده با استفاده از فراخوانی‌های مستقیم LLM API در حلقه‌های عامل‌محور ساده (مانند حلقه‌های while که بین LLM API و فراخوانی‌های ابزار جابجا می‌شوند) اجرا کنید. به هر عامل ارزیابی یک پرامپت وظیفه واحد و ابزارها داده می‌شود. در پرامپت‌های سیستمی برای این عوامل، مفید است که به آن‌ها دستور داده شود بلوک‌های پاسخ ساختاریافته (برای تأیید)، استدلال، و بلوک‌های بازخورد قبل از بلوک‌های فراخوانی ابزار و پاسخ را خروجی دهند. این کار رفتارهای زنجیره فکری (CoT) را تشویق می‌کند و هوش مؤثر LLM را افزایش می‌دهد. ویژگی "تفکر متناوب" Claude قابلیت مشابهی را به صورت آماده ارائه می‌دهد و بینش‌هایی در مورد اینکه چرا عوامل انتخاب‌های ابزاری خاصی را انجام می‌دهند، فراهم می‌کند.

فراتر از دقت کلی، جمع‌آوری معیارهایی مانند زمان اجرای کل، تعداد فراخوانی‌های ابزار، مصرف توکن و خطاهای ابزار حیاتی است. ردیابی فراخوانی‌های ابزار می‌تواند گردش کارهای رایج عامل را آشکار کند و فرصت‌هایی را برای تجمیع یا اصلاح ابزارها پیشنهاد دهد.

بهینه‌سازی ابزارها با هوش مصنوعی: رویکرد مشارکتی Claude

تجزیه و تحلیل نتایج ارزیابی یک فاز حیاتی است. خود عوامل می‌توانند در این فرآیند شرکای ارزشمندی باشند، مشکلات را تشخیص داده و بازخورد ارائه دهند. با این حال، بازخورد آن‌ها همیشه صریح نیست؛ آنچه که حذف می‌کنند می‌تواند به اندازه آنچه که شامل می‌کنند گویا باشد. توسعه‌دهندگان باید استدلال عامل (CoT) را به دقت بررسی کنند، رونوشت‌های خام (شامل فراخوانی‌ها و پاسخ‌های ابزار) را مرور کنند و معیارهای فراخوانی ابزار را تحلیل کنند. برای مثال، فراخوانی‌های تکراری ابزار ممکن است نشان‌دهنده نیاز به تنظیم صفحات یا محدودیت‌های توکن باشد، در حالی که خطاهای مکرر ناشی از پارامترهای نامعتبر می‌تواند نشان‌دهنده توضیحات نامشخص ابزار باشد.

یک مثال قابل توجه از Anthropic مربوط به ابزار جستجوی وب Claude بود، که در آن به طور غیرضروری '2025' را به کوئری‌ها اضافه می‌کرد و نتایج را مغرضانه می‌ساخت. بهبود توضیحات ابزار برای هدایت Claude در مسیر صحیح کلیدی بود.

نوآورانه‌ترین جنبه روش‌شناسی Anthropic، توانایی اجازه دادن به عوامل برای تجزیه و تحلیل نتایج خودشان و بهبود ابزارهایشان است. با الحاق رونوشت‌های ارزیابی و تغذیه آن‌ها به Claude Code، توسعه‌دهندگان می‌توانند از تخصص Claude در تجزیه و تحلیل تعاملات پیچیده و بازسازی ابزارها بهره‌مند شوند. Claude در تضمین سازگاری بین پیاده‌سازی‌ها و توضیحات ابزار، حتی در میان تغییرات متعدد، عالی عمل می‌کند. این حلقه بازخورد قدرتمند به این معنی است که بسیاری از توصیه‌های Anthropic در مورد توسعه ابزار از طریق همین فرآیند بهینه‌سازی با کمک عامل تولید و اصلاح شده‌اند، که نشان‌دهنده روند رو به رشد گردش‌کارهای عامل‌محور GitHub در توسعه نرم‌افزار است.

اصول کلیدی برای توسعه ابزارهای عامل با کیفیت بالا

از طریق آزمایش‌های گسترده و بهینه‌سازی با کمک عامل، Anthropic چندین اصل اصلی را برای ساخت ابزارهای با کیفیت بالا برای عوامل هوش مصنوعی شناسایی کرده است:

انتخاب استراتژیک ابزار: هوشمندانه انتخاب کنید که کدام ابزارها را پیاده‌سازی کنید و، به طور حیاتی، کدام‌ها را نه. بارگذاری بیش از حد عامل با ابزارهای غیرضروری می‌تواند منجر به سردرگمی و ناکارآمدی شود.
فضای نام‌گذاری واضح: مرزها و عملکردهای واضحی را برای هر ابزار از طریق فضای نام‌گذاری مؤثر تعریف کنید. این به عوامل کمک می‌کند تا دامنه و هدف دقیق هر قابلیت را درک کنند.
بازگرداندن بستر معنادار: ابزارها باید بستر مختصر و مرتبط را به عامل بازگردانند و تصمیم‌گیری آگاهانه را بدون اطلاعات پرحرف یا اضافی ممکن سازند.
بهینه‌سازی کارایی توکن: پاسخ‌های ابزار را برای کارایی توکن بهینه کنید. در تعاملات LLM، هر توکن هم برای هزینه و هم برای سرعت پردازش اهمیت دارد.
مهندسی دقیق پرامپت: توضیحات و مشخصات ابزار را با دقت مهندسی پرامپت کنید. دستورالعمل‌های واضح و بدون ابهام برای عوامل حیاتی هستند تا ابزارها را به درستی تفسیر و استفاده کنند.

با پایبندی به این اصول و پذیرش یک چرخه توسعه تکراری و با کمک عامل، توسعه‌دهندگان می‌توانند ابزارهای قوی، کارآمد و بسیار مؤثر ایجاد کنند که عملکرد و قابلیت‌های عوامل هوش مصنوعی را به طور قابل توجهی افزایش می‌دهد و مرزهای آنچه این سیستم‌های هوشمند می‌توانند به دست آورند را جابجا می‌کند.