Anthropic官宣PTC突破，中国开发者一年前就实现了

新智元报道

编辑：LRST

【新智元导读】Anthropic宣布了Programmatic Tool Calling（PTC）特征，让Claude通过代码编排工具执行，降低token消耗、镌汰延迟并提升准确性。不过，国产minion框架从一最先就接纳类似架构，其LLM妄想决议，代码情形执行，仅返回最终效果。相比PTC需显式启用，minion将此作为基础架构，还支持Python生态、状态治理、过失处置惩罚等功效，在现实应用中展现出更高的效率和无邪性。

2025年11月24日，Anthropic正式宣布了Programmatic Tool Calling （PTC）特征，允许Claude通过代码而非单次API挪用来编排工具执行。

这一立异被以为是Agent开发的主要突破，能够显著降低token消耗、镌汰延迟并提升准确性。

然而，Minion框架的建设者最近分享了一个有趣的事实：Minion从一最先就接纳了这种架构理念。

代码链接:https://github.com/femto/minion

在PTC看法被正式提出之前，minion已经在生产情形中证实晰这种要领的价值。

PTC解决了什么问题？

Anthropic在博文中指出了古板Tool Calling的两个焦点问题：

1. Context污染问题

古板方法中，每次工具挪用的效果都会返回到LLM的context中。例如剖析一个10MB的日志文件时，整个文件内容会进入context window，纵然LLM只需要过失频率的摘要。

2. 推理开销与手动综合

每次工具挪用都需要一次完整的模子推理。LLM必需「眼球式」地剖析数据、提取相关信息、推理片断怎样组合，然后决议下一步——这个历程既缓慢又容易蜕化。

Minion的解决计划

自然的PTC架构

Minion框架从设计之初就接纳了一种基础差别的架构：LLM专注于妄想和决议，详细执行交给代码情形。

这正是PTC想要实现的效果，但minion将其作为基础架构而非可选特征。

现实案例比照

Anthropic博文中的预算合规检查示例。

使命：找出Q3差旅超预算的团队成员

古板Tool Calling方法：

获取团队成员 → 20人

为每人获取Q3用度 → 20次工具挪用，每次返回50-100条用度明细

获取各级别预算限额

所有数据进入context：2000+条用度纪录（50KB+）

LLM手动汇总每人用度、查找预算、较量超支情形

使用PTC后：

Claude写一段Python剧本编排整个流程

剧本在Code Execution情形运行

LLM只看到最终效果：2-3个超支职员

在Minion中，这种模式是默认行为，llm会天生代码：

要害区别在于，Minion是框架的焦点设计，所有重大使命都这样处置惩罚；

而PTC需要显式启用，保存多重架构限制：

必需显式标记哪些工具允许programmatic挪用（allowed_callers设置）

运行在受限的Claude容器情形中，无法自由装置恣意包

文件需要通过特另外Files API上传（单文件最大500MB限制）

工具必需在容器4.5分钟不活动超时前返回效果

Web工具、MCP工具无法通过programmatic方法挪用

Minion的优势

更进一步

Minion不但实现了PTC的焦点理念，还提供了更多优势：

完整的Python生态系统

Minion中的代码执行情形拥有完整的Python生态会见权：

状态治理和长期化

Minion自然支持重大的状态治理：

过失处置惩罚和重试逻辑

在代码中显式处置惩罚种种界线情形：

并行和异步操作

充分使用Python的异步能力：

性能数据比照

凭证Anthropic的内部测试，PTC带来了显著刷新：

Token节约：重大研究使命从43,588降至27,297 tokens（镌汰37%）

延迟降低：消除了多次模子推理往返

准确率提升：

内部知识检索：25.6% → 28.5%

GIA基准测试：46.5% → 51.2%

在minion的生产使用中，能视察到类似甚至更好的指标，由于：

更少的模子挪用：LLM只在妄想阶段和最终总结时加入

更高效的资源使用：外地数据处置惩罚不必耗API tokens

更可展望的性能：代码执行路径明确，镌汰了LLM的不确定性

架构哲学

谁应该做什么？

Minion的设计基于一个焦点信心：

LLM善于明确、妄想和推理；Python善于执行、处置惩罚和转换。

这种职责疏散带来了清晰的架构：

这不但仅是优化，而是一种架构级别的重新思索。

Tool Search Tool

Minion的动态工具发明

Anthropic的另一个新特征是Tool Search Tool，解决大型工具库的context消耗问题。Minion在这方面也有响应的机制：

分层工具袒露

向量搜索工具发明

现实应用

Minion在生产情形

Minion框架已经在多个现实场景中证实晰这种架构的价值：

案例1：大规模数据剖析

金融科技公司使用minion剖析数百万条生意纪录，寻找异常模式：

效果：

处置惩罚100万条纪录

LLM仅消耗~5K tokens（古板方法需要500K+）

端到端延迟：30秒（vs 古板方法的5分钟+）

案例2：多源数据整合

SaaS公司使用minion整合来自多个API的客户数据：

案例3：自动化事情流

DevOps团队使用minion自动化重大的安排流程：

逾越PTC

Minion的未来偏向

虽然PTC是一个主要的前进，但minion的架构设计让我们能够探索更多可能性：

混淆推理模式

在一个会话中智能切换：

增量盘算缓和存

智能重用中心效果：

多模子协作

差别模子处置惩罚差别阶段：

开源的实力

社区驱动的立异

Minion作为开源项目（300+ GitHub stars），其生长得益于社区的孝顺和反响。这种开放性带来了：

快速迭代：社区发明问题和用例，推动快速刷新

多样化应用：用户在我们未曾想象的场景中使用minion

相比之下，PTC虽然强盛，但：

需要显式设置（allowed_callers,defer_loading等）

依赖特定的API版本和beta功效

与Claude的生态系统细密耦合

Minion的设计原则是provider-agnostic——你可以用任何LLM后端（Claude, GPT-4, 开源模子），架构优势依然保存。

手艺细节

实现比照

深入较量实现细节。

PTC的实现方法

Minion的实现方法

要害区别：

PTC：工具挪用通过特殊的API机制，有caller/callee关系

Minion：工具就是通俗的Python async函数，LLM天生标准代码

为什么这个架构云云主要？

随着AI Agent向生产情形生长，业界面临的焦点挑战是：

规模：处置惩罚百万级数据，不可全塞进context

可靠性：生产系统需要确定性的过失处置惩罚

本钱：token消耗直接影响商业可行性

性能：用户体验需要亚秒级响应

古板的单次工具挪用模式在这些维度上都遇到瓶颈。代码编排模式（无论是PTC照旧minion）提供了突破：

支持多种LLM后端（Claude, GPT-4, 开源模子）；

无邪的安排选项（云端、外地、混淆）；

富厚的Python生态系统集成。

结论

架构的必定收敛

Anthropic推出PTC不是无意——这是agent架构演进的必定偏向。当你需要构建能处置惩罚重大使命、大规模数据、多办法流程的生产级agent时，你会自然而然地得出这样的结论：

LLM应该专注于它善于的（明确和妄想），让代码处置惩罚它善于的（执行和转换）。

Minion从一最先就拥抱了这个理念，并将继续推动这个偏向：

?今天：完整的PTC式架构，生产情形验证

明天：更智能的工具发明、更高效的状态治理

未来：混淆推理、增量盘算、多模子协作

视频演示

作者信息

郑炳南，结业于复旦大学物理系。拥有20多年软件开发履历，具有富厚的古板软件开发以及人工智能开发履历，是开源社区的活跃孝顺者，加入孝顺metagpt、huggingface项目smolagents、mem0、crystal等项目，为ICLR 2025 oral paper《AFlow: Automating Agentic Workflow Generation》的作者之一。

参考资料：

https://github.com/femto/minion

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

秒追ASI

?点赞、转发、在看一键三连?

点亮星标，锁定新智元极速推送！

《日本xxxxMMM》，《Q8X2R7L1T4J5M9B6W3》

欧美一级囗交视频视频

“人人操人人揉人人插”

黄a视频网站在线播放

……

12月08日