你的AI工具为什么总被AI用崩？Agent Tool Builder 教你设计让LLM看得懂的工具

为什么你的 AI 工具总是「看起来能用，用起来就崩」？

写代码的同学可能都踩过这个坑：辛辛苦苦实现了一个功能完整的工具函数，结果 AI 智能体调用时要么乱传参、要么直接静默失败、要么 token 消耗比预期多几倍。代码完全没问题，但工具就是不好用。

问题往往不在实现层，而在工具设计层。

LLM 永远看不到你的代码

Agent Tool Builder 这个 Skill 有一句话戳中了本质：

「大语言模型永远看不到你的代码。它只能看到 schema 和 description。」

这意味着一个实现得完美但文档含糊的工具，在 AI 眼里就是一个随时会翻车的黑盒。而一个实现简单但描述清晰的工具，AI 却能稳定地用好。

所以——工具设计比工具实现重要。这是做 AI 开发者工具的工程师必须理解的核心认知。

三个让工具「被 AI 用好」的设计模式

这个 Skill 从 JSON Schema 写法学起，教你怎么让 LLM 真正看懂你的工具：

• Schema 设计：用清晰无歧义的 JSON Schema 定义参数，让 AI 一眼就知道该传什么、格式是什么
• 输入示例：在 schema 里塞入典型输入案例，比长篇文字说明有效十倍
• 显式错误处理：让工具在出错时返回 AI 能理解的恢复指令，而不是丢一个 500 报错了事

三个让你工具「被 AI 用崩」的反模式

同时列出了必须规避的坑：

• 模糊描述：参数名叫 data 而不说明是什么格式的数据
• 静默失败：工具出错时只返回空或异常，AI 完全不知道下一步怎么办
• 工具过多：一个工具干十件事，schema 臃肿到让 AI 决策疲劳

跟 MCP 标准无缝衔接

Skill 还覆盖了正在成为 AI 工具界「普通话」的 MCP（Model Context Protocol）标准——也就是最近各大厂商都在接入的那套工具调用规范。学会用这个 Skill，顺带也就掌握了 MCP 的设计思路。

适合谁用

如果你在：

• 给 AI Agent 写工具函数/MCP Server
• 设计 Agent 的工具 API 和 schema
• 优化现有工具的触发准确性和 token 消耗

那这个 Skill 直接装上会用。它不教代码实现，只教你怎么让 AI 正确理解和使用你的工具。

安装方式

一行命令搞定：

npx skills add https://github.com/davila7/claude-code-templates --skill agent-tool-builder

搭配使用效果更好的相关 Skill：multi-agent-orchestration、api-designer、llm-architect。

GitHub 仓库直达

GitHub: https://github.com/davila7/claude-code-templates