Anthropic 重塑 Agent 架构：程序化调用如何终结上下文过载时代

导语：Anthropic 的两项更新，揭示了 AI Agent 架构正从“蛮力填充上下文”转向“程序化预处理”的新范式，这一转变将终结令开发者头疼的上下文过载问题。

就在本月，Anthropic 抛出了两项看似常规的功能更新：程序化工具调用（Programmatic Tool Calling）与网页搜索动态过滤（Web Search Dynamic Filtering）。然而，开发者社区中的热议忽略了一个更深层的信号——这两种能力本质上共享同一套核心逻辑，它们的出现标志着严谨的 AI Agent 架构正在经历一场质变。当多数人还在关注模型参数和基准分数时，一个被长期低估的瓶颈正在被打破：上下文窗口的过载。

上下文税：无声的 Agent 杀手

在标准的工具使用流程中，模型每调用一个外部工具，返回的原始数据就会被塞进上下文。然后模型重新阅读全部历史，做出下一步决策，周而复始。这种“请求-响应-填充”的循环看似合理，但每一次往返都在重新采样，每一条中间数据都在蚕食珍贵的令牌窗口。

当你试图构建一个包含五个以上连续调用的 Agent 时，痛感会变得极其写实。令牌成本呈指数级叠加，延迟持续恶化。更隐蔽的危机在于回答质量——随着无关噪音塞满上下文，模型可能会“锚定”在无用的细节上，从而导致输出偏离核心目标。网页搜索的场景尤其典型：一次简单的检索往往会将导航栏、侧边栏、页脚等数万字符的 HTML 垃圾一起拽进上下文，只为了从中提取那三句真正有价值的信息。这种开销就是我们所说的“上下文税”。

程序化工具调用：将中间过程赶出上下文

突破传统模式的关键，在于让 Agent 不再逐条搬运原始数据，而是直接编写一段 Python 脚本来批量调用工具，并将所有中间处理过程留在沙箱里。这正是程序化工具调用的精髓。

技术上实现得相当纯粹。开发者只需在工具定义中添加一个极简字段：allowed_callers = ["code_execution_20250825"]。一旦开启，该 Agent 就能在生成的代码中调度此工具；否则将回退到传统的顺序交互模式。整个执行流程分为四步：

模型撰写 Python 脚本，以异步函数形式封装对工具的调用。
代码在隔离的沙箱容器中启动运行。
当代码内部触发工具时，执行会暂时挂起，API 抛出一个 tool_use 块；你提供工具结果后，容器继续运行。
脚本结束后，Agent 仅收到最终的产出（如 print() 日志或计算值），并据此生成回复。

这样一来，所有原始的查询结果、杂乱的 JSON 格式和 API 元数据在完成计算后就被丢弃，它们永远不会进入对话上下文。上下文窗口从此只保留与决策直接相关的净化信息。

Token 数学改写：降维打击数据密集型 Agent

这种架构变化带来的收益是颠覆性的。设想一个典型场景：需要查询五个大区的销售数据并找出冠军。在旧方案下，Agent 必须进行五次工具调用，每次都将完整的原始数据堆进上下文，最终在冗长的记录中寻寻觅觅。而借助程序化调用，模型只需写出一段简短的循环代码并运行一次：

async def main():
    regions = ['north', 'south', 'east', 'west', 'central']
    sales = []
    for r in regions:
        data = await tools.get_sales(region=r)
        sales.append(data['total'])
    best = max(sales)
    print(f'冠军大区销售额: {best}')

在这个例子中，只有那行 print 输出的结论性语句会最终返回给模型。根据官方文档，程序化调用 10 个工具与直接调用相比，令牌消耗量降低了近 10 倍。这并非边际优化，而是对高吞吐量数据型 Agent 的降维打击。此外，更复杂的编排——比如提前终止循环、根据文件大小动态选择读取方式、在 10,000 行日志中精确筛选末尾错误——现在都能由模型自动化实现，且不会污染上下文。

动态过滤：搜索工具的程序化重塑

动态过滤本质上是程序化思维在搜索领域的延伸。它不再把完整的 HTML 文档搬到上下文，而是由模型自动编写代码来解析、提取并预处理网页内容。在最新版本的 Sonnet 4.6 和 Opus 4.6 中，这一功能已被默认开启。

硬核基准测试给出了令人瞩目的数据：在 BrowseComp 和 DeepsearchQA 等评测集上，平均准确率提升 11%，同时输入令牌消耗反而减少了 24%。Quora 旗下的 Poe 团队在实测后评价：“该模型现在的行为更像一名真正的研究员，它会写 Python 来过滤和交叉验证结果，而不是对着 HTML 原始文本盲目推理。”这种“少花钱多办事”的质量跃升，正成为 2026 年最值得关注的架构趋势。当然，也需要留意：令牌成本的下降并不在所有模型上同步体现，但用更低的资源消耗换取更高的准确度，其经济意义早已超越单纯的降价策略。

配套升级：记忆与工具搜索步入商用

除了核心的程序化调用与动态过滤，Anthropic 还推动数个关键组件正式商用（GA）。记忆（Memory） 功能提供了跨对话的持久化存储，避免每轮对话都要重新填充完整的交互历史；工具搜索（Tool Search） 则允许 Agent 在庞大的工具库中动态发现合适的工具，无需提前预载所有定义。这些部件与沙箱引擎、程序化调用协同作用，共同指向同一个目标：为上下文减负。

走向决策者本位的 Agent 架构

所有的更新都指向同一个瓶颈的终结。过去那种“把所有数据一股脑塞进上下文窗口，然后祈祷模型自行理清思路”的天真架构已经走到尽头。新的范式正在浮现：在数据触达模型大脑之前，先进行程序化的预处理——过滤、解析、外部持久化——让模型回归其作为“决策者”和“编排者”的本位。未来的 Agent 不会再搬运原始数据，它们会思考需要什么，写代码去获取，然后仅把精炼的结论加载进工作记忆。

如果你正深陷上下文溢出的困扰，allowed_callers 这个小小的字段绝对值得你投入一个下午去研究。这种架构上的聪明，将带来比模型降价更深远的经济效益，并重新定义 Agent 开发的基线。