Anthropic官宣PTC突破，中國(guó)開發(fā)者一年前就實(shí)現(xiàn)了

新智元報(bào)道

編輯：LRST

【新智元導(dǎo)讀】Anthropic發(fā)布了Programmatic Tool Calling（PTC）特性，讓Claude通過代碼編排工具執(zhí)行，降低token消耗、減少延遲并提升準(zhǔn)確性。不過，國(guó)產(chǎn)minion框架從一開始就采用類似架構(gòu)，其LLM規(guī)劃決策，代碼環(huán)境執(zhí)行，僅返回最終結(jié)果。相比PTC需顯式啟用，minion將此作為基礎(chǔ)架構(gòu)，還支持Python生態(tài)、狀態(tài)管理、錯(cuò)誤處理等功能，在實(shí)際應(yīng)用中展現(xiàn)出更高的效率和靈活性。

2025年11月24日，Anthropic正式發(fā)布了Programmatic Tool Calling （PTC）特性，允許Claude通過代碼而非單次API調(diào)用來編排工具執(zhí)行。

這一創(chuàng)新被認(rèn)為是Agent開發(fā)的重要突破，能夠顯著降低token消耗、減少延遲并提升準(zhǔn)確性。

然而，Minion框架的創(chuàng)建者最近分享了一個(gè)有趣的事實(shí)：Minion從一開始就采用了這種架構(gòu)理念。

代碼鏈接:https://github.com/femto/minion

在PTC概念被正式提出之前，minion已經(jīng)在生產(chǎn)環(huán)境中證明了這種方法的價(jià)值。

PTC解決了什么問題？

Anthropic在博文中指出了傳統(tǒng)Tool Calling的兩個(gè)核心問題：

1. Context污染問題

傳統(tǒng)方式中，每次工具調(diào)用的結(jié)果都會(huì)返回到LLM的context中。例如分析一個(gè)10MB的日志文件時(shí)，整個(gè)文件內(nèi)容會(huì)進(jìn)入context window，即使LLM只需要錯(cuò)誤頻率的摘要。

2. 推理開銷與手動(dòng)綜合

每次工具調(diào)用都需要一次完整的模型推理。LLM必須「眼球式」地解析數(shù)據(jù)、提取相關(guān)信息、推理片段如何組合，然后決定下一步——這個(gè)過程既緩慢又容易出錯(cuò)。

Minion的解決方案

天然的PTC架構(gòu)

Minion框架從設(shè)計(jì)之初就采用了一種根本不同的架構(gòu)：LLM專注于規(guī)劃和決策，具體執(zhí)行交給代碼環(huán)境。

Minion的典型工作流包括： 1. LLM分析用戶需求，制定執(zhí)行計(jì)劃； 2. LLM生成Python代碼來編排工具調(diào)用； 3. 代碼在隔離環(huán)境中執(zhí)行，處理所有數(shù)據(jù)操作； 4. 只有最終結(jié)果返回給LLM

這正是PTC想要實(shí)現(xiàn)的效果，但minion將其作為基礎(chǔ)架構(gòu)而非可選特性。

實(shí)際案例對(duì)比

Anthropic博文中的預(yù)算合規(guī)檢查示例。

任務(wù)：找出Q3差旅超預(yù)算的團(tuán)隊(duì)成員

傳統(tǒng)Tool Calling方式：

• 獲取團(tuán)隊(duì)成員 → 20人

• 為每人獲取Q3費(fèi)用 → 20次工具調(diào)用，每次返回50-100條費(fèi)用明細(xì)

• 獲取各級(jí)別預(yù)算限額

• 所有數(shù)據(jù)進(jìn)入context：2000+條費(fèi)用記錄（50KB+）

• LLM手動(dòng)匯總每人費(fèi)用、查找預(yù)算、比較超支情況

使用PTC后：

• Claude寫一段Python腳本編排整個(gè)流程

• 腳本在Code Execution環(huán)境運(yùn)行

• LLM只看到最終結(jié)果：2-3個(gè)超支人員

在Minion中，這種模式是默認(rèn)行為，llm會(huì)生成代碼：

# Minion中的實(shí)現(xiàn)（偽代碼）async def check_budget_compliance():    # LLM生成的計(jì)劃代碼    team = await get_team_members("engineering")    # 并行獲取所有數(shù)據(jù)    levels = list(set(m["level"] for m in team))    budgets = {        level: await get_budget_by_level(level)        for level in levels    }    # 數(shù)據(jù)處理在本地完成    exceeded = []    for member in team:        expenses = await get_expenses(member["id"], "Q3")        total = sum(e["amount"] for e in expenses)        budget = budgets[member["level"]]        if total > budget["travel_limit"]:            exceeded.append({                "name": member["name"],                "spent": total,                "limit": budget["travel_limit"]            })    return exceeded  # 只返回關(guān)鍵結(jié)果

關(guān)鍵區(qū)別在于，Minion是框架的核心設(shè)計(jì)，所有復(fù)雜任務(wù)都這樣處理；

而PTC需要顯式啟用，存在多重架構(gòu)限制：

• 必須顯式標(biāo)記哪些工具允許programmatic調(diào)用（allowed_callers配置）

• 運(yùn)行在受限的Claude容器環(huán)境中，無法自由安裝任意包

• 文件需要通過額外的Files API上傳（單文件最大500MB限制）

• 工具必須在容器4.5分鐘不活動(dòng)超時(shí)前返回結(jié)果

• Web工具、MCP工具無法通過programmatic方式調(diào)用

Minion的優(yōu)勢(shì)

更進(jìn)一步

Minion不僅實(shí)現(xiàn)了PTC的核心理念，還提供了更多優(yōu)勢(shì)：

完整的Python生態(tài)系統(tǒng)

Minion中的代碼執(zhí)行環(huán)境擁有完整的Python生態(tài)訪問權(quán)：

# Minion可以直接使用任何Python庫(kù)import pandas as pdimport numpy as npfrom sklearn.cluster import KMeans# 強(qiáng)大的數(shù)據(jù)處理df = pd.DataFrame(expense_data)analysis = df.groupby('category').agg({    'amount': ['sum', 'mean', 'std'],    'count': 'size'})# 復(fù)雜的數(shù)據(jù)科學(xué)任務(wù)model = KMeans(n_clusters=3)clusters = model.fit_predict(spending_patterns)

狀態(tài)管理和持久化

Minion天然支持復(fù)雜的狀態(tài)管理：

class BudgetAnalyzer:    def __init__(self):        self.cache = {}        self.history = []    async def analyze_department(self, dept):        # 狀態(tài)在整個(gè)分析過程中保持        if dept in self.cache:            return self.cache[dept]        result = await self._deep_analysis(dept)        self.cache[dept] = result        self.history.append(result)        return result

錯(cuò)誤處理和重試邏輯

在代碼中顯式處理各種邊界情況：

async def robust_fetch(user_id, max_retries=3):    for attempt in range(max_retries):        try:            return await get_expenses(user_id, "Q3")        except RateLimitError:            await asyncio.sleep(2 ** attempt)        except DataNotFoundError:            return []  # 合理的默認(rèn)值    raise Exception(f"Failed after {max_retries} attempts")

并行和異步操作

充分利用Python的異步能力：

# 高效的并行處理async def analyze_all_departments():    departments = ["eng", "sales", "marketing", "ops"]    # 同時(shí)分析所有部門    results = await asyncio.gather(*[        analyze_department(dept)        for dept in departments    ])    # 整合分析結(jié)果    return consolidate_results(results)

性能數(shù)據(jù)對(duì)比

根據(jù)Anthropic的內(nèi)部測(cè)試，PTC帶來了顯著改進(jìn)：

• Token節(jié)省：復(fù)雜研究任務(wù)從43,588降至27,297 tokens（減少37%）

• 延遲降低：消除了多次模型推理往返

• 準(zhǔn)確率提升：

• • 內(nèi)部知識(shí)檢索：25.6% → 28.5%

  • GIA基準(zhǔn)測(cè)試：46.5% → 51.2%

在minion的生產(chǎn)使用中，能觀察到類似甚至更好的指標(biāo)，因?yàn)椋?/p>

1. 更少的模型調(diào)用：LLM只在規(guī)劃階段和最終總結(jié)時(shí)參與

2. 更高效的資源利用：本地?cái)?shù)據(jù)處理不消耗API tokens

3. 更可預(yù)測(cè)的性能：代碼執(zhí)行路徑明確，減少了LLM的不確定性

架構(gòu)哲學(xué)

誰應(yīng)該做什么？

Minion的設(shè)計(jì)基于一個(gè)核心信念：

LLM擅長(zhǎng)理解、規(guī)劃和推理；Python擅長(zhǎng)執(zhí)行、處理和轉(zhuǎn)換。

這種職責(zé)分離帶來了清晰的架構(gòu)：

用戶請(qǐng)求    ↓[LLM：理解意圖，制定計(jì)劃]    ↓[生成Python代碼]    ↓[代碼執(zhí)行環(huán)境：調(diào)用工具、處理數(shù)據(jù)、控制流程]    ↓[返回結(jié)構(gòu)化結(jié)果]    ↓[LLM：解讀結(jié)果，生成用戶友好的響應(yīng)]

這不僅僅是優(yōu)化，而是一種架構(gòu)級(jí)別的重新思考。

Tool Search Tool

Minion的動(dòng)態(tài)工具發(fā)現(xiàn)

Anthropic的另一個(gè)新特性是Tool Search Tool，解決大型工具庫(kù)的context消耗問題。Minion在這方面也有相應(yīng)的機(jī)制：

分層工具暴露

# Minion的工具分層策略class MinionToolRegistry:    def __init__(self):        self.core_tools = []      # 始終加載        self.domain_tools = {}    # 按需加載        self.rare_tools = {}      # 搜索發(fā)現(xiàn)    def get_tools_for_task(self, task_description):        # 智能工具選擇        tools = self.core_tools.copy()        # 基于任務(wù)描述添加相關(guān)工具        if "database" in task_description:            tools.extend(self.domain_tools["database"])        if "visualization" in task_description:            tools.extend(self.domain_tools["plotting"])        return tools

向量搜索工具發(fā)現(xiàn)

# 使用embedding的工具搜索from sentence_transformers import SentenceTransformerclass SemanticToolSearch:    def __init__(self, tool_descriptions):        self.model = SentenceTransformer('all-MiniLM-L6-v2')        self.tool_embeddings = self.model.encode(tool_descriptions)    def find_tools(self, query, top_k=5):        query_embedding = self.model.encode([query])        similarities = cosine_similarity(query_embedding, self.tool_embeddings)        return self.get_top_tools(similarities, top_k)

實(shí)際應(yīng)用

Minion在生產(chǎn)環(huán)境

Minion框架已經(jīng)在多個(gè)實(shí)際場(chǎng)景中證明了這種架構(gòu)的價(jià)值：

案例1：大規(guī)模數(shù)據(jù)分析

金融科技公司使用minion分析數(shù)百萬條交易記錄，尋找異常模式：

async def detect_anomalies():    # LLM規(guī)劃：需要獲取數(shù)據(jù)、清洗、特征工程、異常檢測(cè)    # 執(zhí)行代碼直接處理大數(shù)據(jù)集    transactions = await fetch_all_transactions(start_date, end_date)    # 1M+ records, 但不進(jìn)入LLM context    df = pd.DataFrame(transactions)    df = clean_data(df)    features = engineer_features(df)    # 使用機(jī)器學(xué)習(xí)檢測(cè)異常    anomalies = detect_with_isolation_forest(features)    # 只返回異常摘要給LLM    return {        "total_transactions": len(df),        "anomalies_found": len(anomalies),        "top_anomalies": anomalies.head(10).to_dict()    }

結(jié)果：

• 處理100萬條記錄

• LLM僅消耗~5K tokens（傳統(tǒng)方式需要500K+）

• 端到端延遲：30秒（vs 傳統(tǒng)方式的5分鐘+）

案例2：多源數(shù)據(jù)整合

SaaS公司使用minion整合來自多個(gè)API的客戶數(shù)據(jù)：

async def comprehensive_customer_analysis(customer_id):    # 并行獲取所有數(shù)據(jù)源    crm_data, support_tickets, usage_logs, billing_history = await asyncio.gather(        fetch_crm_data(customer_id),        fetch_support_tickets(customer_id),        fetch_usage_logs(customer_id),        fetch_billing_history(customer_id)    )    # 本地?cái)?shù)據(jù)融合和分析    customer_profile = {        "health_score": calculate_health_score(...),        "churn_risk": predict_churn_risk(...),        "upsell_opportunities": identify_opportunities(...),        "support_sentiment": analyze_ticket_sentiment(support_tickets)    }    return customer_profile

案例3：自動(dòng)化工作流

DevOps團(tuán)隊(duì)使用minion自動(dòng)化復(fù)雜的部署流程：

async def deploy_with_validation():    # 多步驟工作流，每步都有條件邏輯    # 1. 運(yùn)行測(cè)試    test_results = await run_test_suite()    if test_results.failed > 0:        return {"status": "blocked", "reason": "tests failed"}    # 2. 構(gòu)建和推送鏡像    image = await build_docker_image()    await push_to_registry(image)    # 3. 金絲雀部署    canary = await deploy_canary(image, percentage=10)    await asyncio.sleep(300)  # 監(jiān)控5分鐘    metrics = await get_canary_metrics(canary)    if metrics.error_rate > 0.01:        await rollback_canary(canary)        return {"status": "rolled_back", "metrics": metrics}    # 4. 完整部署    await deploy_full(image)    return {"status": "success", "image": image.tag}

超越PTC

Minion的未來方向

雖然PTC是一個(gè)重要的進(jìn)步，但minion的架構(gòu)設(shè)計(jì)讓我們能夠探索更多可能性：

混合推理模式

在一個(gè)會(huì)話中智能切換：

# 簡(jiǎn)單任務(wù)：直接工具調(diào)用if task.complexity < THRESHOLD:    result = await simple_tool_call(task)# 復(fù)雜任務(wù)：生成編排代碼else:    orchestration_code = await llm.generate_code(task)    result = await execute_code(orchestration_code)

增量計(jì)算和緩存

智能重用中間結(jié)果：

# 記憶化的數(shù)據(jù)獲取@lru_cache(maxsize=1000)async def cached_get_user_data(user_id):    return await fetch_user_data(user_id)# 增量更新而非全量重算async def update_analysis(new_data):    previous_state = load_checkpoint()    delta = compute_delta(previous_state, new_data)    updated_state = apply_delta(previous_state, delta)    return updated_state

多模型協(xié)作

不同模型處理不同階段：

# 規(guī)劃用強(qiáng)模型plan = await claude_opus.create_plan(user_request)# 代碼生成用專門模型code = await codegen_model.generate(plan)# 執(zhí)行和監(jiān)控result = await execute_with_monitoring(code)# 用戶交互用快速模型response = await claude_haiku.format_response(result)

開源的力量

社區(qū)驅(qū)動(dòng)的創(chuàng)新

Minion作為開源項(xiàng)目（300+ GitHub stars），其發(fā)展得益于社區(qū)的貢獻(xiàn)和反饋。這種開放性帶來了：

1. 快速迭代：社區(qū)發(fā)現(xiàn)問題和用例，推動(dòng)快速改進(jìn)

2. 多樣化應(yīng)用：用戶在我們未曾想象的場(chǎng)景中使用minion

相比之下，PTC雖然強(qiáng)大，但：

• 需要顯式配置（allowed_callers,defer_loading等）

• 依賴特定的API版本和beta功能

• 與Claude的生態(tài)系統(tǒng)緊密耦合

Minion的設(shè)計(jì)原則是provider-agnostic——你可以用任何LLM后端（Claude, GPT-4, 開源模型），架構(gòu)優(yōu)勢(shì)依然存在。

技術(shù)細(xì)節(jié)

實(shí)現(xiàn)對(duì)比

深入比較實(shí)現(xiàn)細(xì)節(jié)。

PTC的實(shí)現(xiàn)方式

# Anthropic的PTC需要特定配置{    "tools": [        {            "type": "code_execution_20250825",            "name": "code_execution"        },        {            "name": "get_team_members",            "allowed_callers": ["code_execution_20250825"],            ...        }    ]}# Claude生成工具調(diào)用{    "type": "server_tool_use",    "id": "srvtoolu_abc",    "name": "code_execution",    "input": {        "code": "team = get_team_members('engineering')\\\\\\\\n..."    }}

Minion的實(shí)現(xiàn)方式

# Minion的工具定義是標(biāo)準(zhǔn)Pythonclass MinionTools:    @tool    async def get_team_members(self, department: str):        """Get all members of a department"""        return await self.db.query(...)    @tool    async def get_expenses(self, user_id: str, quarter: str):        """Get expense records"""        return await self.expenses_api.fetch(...)# LLM生成的是完整的Python函數(shù)async def analyze_budget():    # 直接調(diào)用工具函數(shù)    team = await tools.get_team_members("engineering")    # 完整的Python語言能力    expenses_by_user = {        member.id: await tools.get_expenses(member.id, "Q3")        for member in team    }    # 任意復(fù)雜度的數(shù)據(jù)處理    analysis = perform_complex_analysis(expenses_by_user)    return analysis

關(guān)鍵區(qū)別：

• PTC：工具調(diào)用通過特殊的API機(jī)制，有caller/callee關(guān)系

• Minion：工具就是普通的Python async函數(shù)，LLM生成標(biāo)準(zhǔn)代碼

為什么這個(gè)架構(gòu)如此重要？

隨著AI Agent向生產(chǎn)環(huán)境發(fā)展，業(yè)界面臨的核心挑戰(zhàn)是：

規(guī)模：處理百萬級(jí)數(shù)據(jù)，不能全塞進(jìn)context

可靠性：生產(chǎn)系統(tǒng)需要確定性的錯(cuò)誤處理

成本：token消耗直接影響商業(yè)可行性

性能：用戶體驗(yàn)需要亞秒級(jí)響應(yīng)

傳統(tǒng)的單次工具調(diào)用模式在這些維度上都遇到瓶頸。代碼編排模式（無論是PTC還是minion）提供了突破：

傳統(tǒng)模式：LLM <-> Tool <-> LLM <-> Tool <-> LLM          (慢)   (貴)   (脆弱)編排模式：LLM -> [Code: Tool+Tool+Tool+Processing] -> LLM          (快)   (省)   (可靠)

• 支持多種LLM后端（Claude, GPT-4, 開源模型）；

• 靈活的部署選項(xiàng)（云端、本地、混合）；

• 豐富的Python生態(tài)系統(tǒng)集成。

結(jié)論

架構(gòu)的必然收斂

Anthropic推出PTC不是偶然——這是agent架構(gòu)演進(jìn)的必然方向。當(dāng)你需要構(gòu)建能處理復(fù)雜任務(wù)、大規(guī)模數(shù)據(jù)、多步驟流程的生產(chǎn)級(jí)agent時(shí)，你會(huì)自然而然地得出這樣的結(jié)論：

LLM應(yīng)該專注于它擅長(zhǎng)的（理解和規(guī)劃），讓代碼處理它擅長(zhǎng)的（執(zhí)行和轉(zhuǎn)換）。

Minion從一開始就擁抱了這個(gè)理念，并將繼續(xù)推動(dòng)這個(gè)方向：

• ?今天：完整的PTC式架構(gòu)，生產(chǎn)環(huán)境驗(yàn)證

• 明天：更智能的工具發(fā)現(xiàn)、更高效的狀態(tài)管理

• 未來：混合推理、增量計(jì)算、多模型協(xié)作

視頻演示

作者信息

鄭炳南，畢業(yè)于復(fù)旦大學(xué)物理系。擁有20多年軟件開發(fā)經(jīng)驗(yàn)，具有豐富的傳統(tǒng)軟件開發(fā)以及人工智能開發(fā)經(jīng)驗(yàn)，是開源社區(qū)的活躍貢獻(xiàn)者，參與貢獻(xiàn)metagpt、huggingface項(xiàng)目smolagents、mem0、crystal等項(xiàng)目，為ICLR 2025 oral paper《AFlow: Automating Agentic Workflow Generation》的作者之一。

參考資料：

https://github.com/femto/minion

https://github.com/femto/minion/blob/main/docs/advanced_tool_use.md

秒追ASI

?點(diǎn)贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點(diǎn)亮星標(biāo)，鎖定新智元極速推送！