当工具数量超过约 100 个,即使先进模型也容易选错工具;Agent 落地的瓶颈,正在从“会不会做”转向“能否稳定调用正确能力”。
这是什么
这里的工具,是 Agent 可以调用的程序接口,相当于 AI 接触文件、网页、邮件、命令行和其他系统的“手脚”。文章把工具分为五类:读取信息的感知工具、修改外部系统的执行工具、与人及其他 Agent 协作的工具、主动向用户发消息的沟通工具,以及由新邮件、系统告警等外部事件唤醒的事件触发工具。
过去,开发者常为每项能力制作一个专用工具,例如分别负责读 PDF、Word 和 PPT。文章认为,当工具超过约 100 个时,模型的选择负担和出错概率会明显上升。一种替代方案是“Skill + 通用执行器”:用自然语言文档写清操作步骤,再让代码解释器或终端按步骤执行。参数复杂、规则稳定的能力仍适合专用工具;变化频繁、流程明确的任务则更适合写成 Skill。
MCP(让 AI 应用以统一方式连接外部工具和数据源的协议)解决的是接口兼容问题,Skill 解决的是能力如何组织和选择问题,两者并不等同。
行业怎么看
我们注意到,工具治理正在成为 Agent 产品化的新分界线。工具少时,底层模型决定任务上限;工具多时,接口设计、权限控制、错误恢复和测试体系决定系统能否稳定运行。Manus、OpenClaw 等通用 Agent 覆盖任务越广,工具目录越庞大,这一矛盾就越突出。
但“减少工具、用通用执行器取代专用接口”并非没有代价。自然语言 Skill 的行为稳定性通常低于结构化函数,复杂参数也更容易传错;遇到高风险操作时,通用执行器可能扩大误操作范围。执行工具会发邮件、改文件或运行命令,一旦模型选错步骤,业务损失可能远高于一次回答不准确。因此,专用工具仍应保留在支付、删除、发布等高风险环节,并通过明确参数、权限边界和人工确认控制风险。
另一个风险是,随着 Agent 获得更多工具,权限治理可能落后于能力扩张。把读文件和写入生产系统放进同一套执行环境,看似方便,却让一次提示词错误或工具误选产生更大影响。工具是否好用,不只取决于数量,也取决于能否按任务隔离权限、限制调用范围并留下审计记录。
对普通人的影响
对企业 IT:企业部署 Agent 时,重点会从购买模型转向梳理工具清单、数据权限和操作日志。尤其是接入邮件、网盘、客服和财务系统后,接口治理与人工确认机制比演示效果更值得投入。
对个人职场:个人助手会逐步从回答问题转向跨应用办事,例如查资料、生成文档后提交给同事。短期内,权限申请、结果复核和责任归属仍需人工承担,不能因为任务由 Agent 执行就忽略审核。
对消费市场:能主动发消息、定时执行和跨渠道协作的助手会更容易形成持续使用习惯,但误发消息、重复执行和错误操作也会更常见。消费者选择这类产品时,除了看任务完成率,也应关注确认机制、数据范围和操作记录是否清楚。