Anthropic 详解 think 工具：让 Claude 在多步调用中边想边做

让大模型使用外部工具干活时，最容易翻车的地方往往不是工具本身，而是模型在拿到工具返回的数据后，急着往下走，结果一步错步步错。

Anthropic 专门针对这一痛点复盘了一种工程方案：为 Claude 专门挂载一个名为「think」的自定义工具。简单来说，就是给模型开辟一个合法的缓冲区，强制它在调用工具拿到结果后，停下来仔细想一想再做下一步决定。

在行动之间硬塞一个「思考暂停键」

很多人可能会把这个做法和 Claude 3.7 的「扩展思考」（extended thinking）混淆。Anthropic 明确区分了两者：扩展思考是模型在开始生成回复前做的宏观规划，类似下棋前通盘考虑；而「think」工具则是行动过程中的反思，专门用于长链条工具调用。

当模型调用接口拿回一堆数据后，它往往没有上帝视角，必须依靠新拿到的外部信息来修正路线。这时调用「think」工具，模型就会在草稿纸上复盘自己掌握了什么、还缺什么、有没有违反业务规则。

在针对复杂客服场景的 τ-Bench 测试中，这套机制的效果非常明显。在规则极其繁琐的航空客服测试里，基线模型的 pass^1 成功率只有 0.370；加上「think」工具并配合针对性的提示词引导后，成功率直接飙到了 0.570，相对提升幅度达到 54%。在相对简单的零售场景下，无需专门提示词，单靠「think」工具也将成绩从 0.783 拔高到 0.812。在代码测试 SWE-bench 上，为 Claude 3.7 Sonnet 配上思考工具后，基准成绩也提升了 1.6% 达到 0.623。

什么时候该用，什么时候别碰

这项技术好用，但绝对不是免费的午餐。Anthropic 提醒开发者，「think」工具会显著拉长输入提示词并增加输出 token，带来直接的成本上涨和延迟增加。

如果任务只需要单次工具调用，或者可以一次性并发执行多个非关联调用，挂载「think」工具基本没有任何收益。普通的内容生成、遵循简易指令等场景也完全不需要它。

它真正适用的场景只有三种：一是需要深度分析前序工具输出并且可能需要回溯重试；二是面对金融、航司这类规章政策极密集的合规环境；三是连续多步决策、一旦走错代价高昂的 Agent 流程。

Anthropic 建议，如果要把这套机制落地，最好把复杂的思考引导规则写在系统提示词里，而不是塞在工具描述中，并且一定要给出针对业务场景的决策树和思考样例。

为什么重要

我们认为，Anthropic 公布这套实践的最有趣之处，在于它揭示了当前 Agent 架构的一个共性瓶颈：大模型在多步执行中最缺的往往不是工具，而是「自我校验」的结构化机制。

对于正在搭建自动化客服、企业内网工作流的开发者来说，这一方案的门槛极低，甚至不需要等待模型底层架构演进，只靠在现有的 API 接口里加一个返回空值的虚拟工具，就能立刻压制模型的幻觉与误操作。如果在业务中经常遇到模型「看漏了接口返回的某个字段就擅自下单」的情况，非常值得现在就试一试。

但也要看到局限。正如 Anthropic 在文首更新中坦承的，随着模型原生内置的扩展思考能力持续迭代，很多时候原生思考已经能提供更好的性能与集成体验。这种靠外挂 tool 模拟思维链的做法，更像是一个高性价比的工程过渡解法。不过，它清晰地指出了 Agent 走向实用的关键演进方向：模型不仅要会低头做事，更得学会随时刹车抬头发呆。