模式矩阵 /模式白皮书/A5

问题

工具注册表持续膨胀后，名称相近、参数重叠的工具会争夺模型注意力。面对“我的订单什么时候到”这类问题，Agent 可能在多个订单工具之间反复试错，把推理预算花在选择接口上。

Minimal Tool Set 要求每次 dispatch 只暴露完成当前任务所需的工具。工具总量可以很大，但默认候选集应按角色、任务阶段和权限动态缩小，并通过 Tool Search 按需扩展。

坐标说明：行动 × 约束

这是本模块里唯一一个不落在具体拓扑列上的模式，需要专门说清楚。

• 纵轴 · 行动：它管的是行动端的工具数量，属于动作设计，所以纵轴落在行动模块。
• 横轴 · 约束：最简工具集不规定动作的拓扑结构，而是限制单次可见工具总量。它作为 cross-cutting 约束附着在 A1 等结构模式上，减少 router 的选择空间和 schema 对 context 的占用。

解决方案与机制

工具名称、描述和 schema 会占用 context，也会增加近义工具之间的选择干扰。可见工具数没有跨模型、跨任务通用的甜区，应在固定回放集上逐步增加候选工具，找到选择质量、覆盖率和 token 开销开始恶化的拐点。

砍工具的策略有三条：

渐进披露（progressive disclosure）用于保留低频工具的可达性：核心工具常驻，扩展工具通过 Tool Search 或专门 sub-agent 按需加载。具体默认集合由角色、阶段、权限和回放数据确定。

适用场景

• 延迟敏感、准确率敏感的用户体验场景：客服、对话、消费级 agent。这是 Minimal Tool Set 价值最高的地方。
• 接入外部工具协议时控制单次暴露：底层目录可以很大，但单次 dispatch 只暴露当前任务需要的候选，并保留罕见工具的发现入口。
• 多职能 agent 拆分前的体检：当一个 agent 的工具逼近上限，往往是该拆 sub-agent 的信号。

什么时候不适用：复杂代码任务或多职能企业流程可能需要更宽的工具面。若精简后任务覆盖率下降，应改用动态发现和角色分组，而不是追求固定数量。

已知失效方式

• 把“全能”当目标：按系统能力罗列工具会让候选集持续膨胀。应围绕用户任务和结果组织工具，并按阶段缩小范围。
• 合并时丢了语义边界：把语义差别大的工具硬合成一个，会让单个工具的 description 变模糊，selection 反而更难。合并的前提是功能真的高度重叠。
• 删除低频工具但没有按需入口：罕见任务将无法访问相应能力。应将低频工具下沉，并保留 Tool Search。
• 砍完不复盘：工具集会随新功能重新膨胀，需要固定 review 和 evict 机制。

验证指标

• 单 dispatch 工具数：按任务类型观察实际候选集规模，并通过消融实验找到质量开始下降的拐点。
• tool description 总 token：跟踪工具说明占用的 context，并与选择错误、重试和延迟一起分析。
• 默认装载 / 总工具比：默认候选应保持聚焦，罕见能力通过 on-demand 发现。比例需根据角色与任务分布校准。
• 工具选择准确率：在同一回放集上比较精简前后，避免只看工具变少而忽略任务覆盖率。

最小实现

prune(all_tools, stats, policy):
    对每个 tool 打分 = 本地观察窗口内的调用价值、成功率与风险
    按 policy 选择常驻工具，其余转为按需
evict_stale(stats):
    返回长期无有效调用的工具            # 下线候选，仍需人工评审
merge_similar(tools, merge_threshold):
    用 embedding 计算 description 相似度，超过本地阈值时进入合并评审
# 其余工具不删除，转入 sub-agent + 挂到 Tool Search 入口

生产实现将 core 工具设为 always-on、extended 工具设为 on-demand；按使用频次和成功率评分；保留 Tool Search 入口。

场景化示例

设想一个翻译和本地化 Agent，默认只暴露 translate、detect_lang、glossary_lookup、quality_check、format_preserve 和 cultural_adapt 等核心能力。OCR、PDF 解析和图片翻译按输入形态下沉到专用 sub-agent；长期未使用的工具进入下线评审；相似工具接受合并审查；罕见任务通过 Tool Search 临时获取扩展工具。改造效果应在固定回放集上同时比较选择准确率、覆盖率、token 和延迟。

相邻模式

• 工具调度（A1）：A1 负责在候选集中选择工具，A5 负责控制候选集规模。
• 分层保留（记忆模块）：渐进披露与记忆模块的分层加载同源，都是"核心常驻、其余按需取"的 attention 管理思路。
• 规划-执行（A2）：当工具逼近上限，拆 sub-agent 往往与 A2 的任务分解同时发生——把次要能力连同它的工具一起下沉。

工程判断

最简工具集按当前步骤、身份和风险缩小候选工具范围。这样可以减少选择冲突、上下文占用和越权面，同时保留后续步骤加载其它工具的能力。

企业证据

当前没有与本模式绑定的公开评审案例。模式定义不因此视为已经获得企业验证。

案例收录要求说明业务约束、实现结构、已知失败和迁移边界。参见 贡献与评审规则。

开源实现

DeerFlow Guardrail 与双层授权按五个公开 PR 展开装配时过滤、运行时授权、可信身份、RBAC 与 RunJournal 的演进，并标出该实现对本模式的覆盖范围。