agent 抓了一份 Python 文档，写了三段 list comprehension 示例，然后跑起来。前两段没问题第三段抛出了语法错误。它没有停在那里，而是去读错误信息、找到问题、把代码改了，再跑一次。这次过了，到这一刻"agentic" 这个词才真正落地。

单个工具是噱头，工具集才是真正的系统。其实只要有三个工具就能把 agent 从聊天机器人变成能干活的东西：fetch_url 读取任意网页，write_file 把结果落到磁盘，run_python 直接执行代码。一次对话里，研究、写、测、修可以全部走完。

真正有意思的不是工具本身而是规划，让agent 自己决定："得先研究，再写代码，最后运行验证。" 这个顺序不是写死在代码里的；模型从目标推理出来，自动成形。

下面这段代码是一个完整的多工具 agent，能做网页研究、写并运行 Python，也能保存文件。

import anthropic  
import subprocess, sys, tempfile, re  
import urllib.request  
from pathlib import Path  
client = anthropic.Anthropic()  
OUTPUT_DIR = Path("agent_output")  
OUTPUT_DIR.mkdir(exist_ok=True)  
# ── Tool implementations ──────────────────────────────────────────────────  
def fetch_url(url: str) -> str:  
   """Fetch a webpage and strip HTML - gives the agent access to the web."""  
   try:  
       req = urllib.request.Request(url, headers={"User-Agent": "Mozilla/5.0"})  
       with urllib.request.urlopen(req, timeout=10) as r:  
           html = r.read().decode("utf-8", errors="ignore")  
       text = re.sub(r"<[^>]+>", " ", html)  
       text = re.sub(r"\s+", " ", text).strip()  
       return text[:2500]  # cap to avoid filling the context window  
   except Exception as e:  
       return f"Error fetching {url}: {e}"  
def write_file(filename: str, content: str) -> str:  
   """Save content to the output directory."""  
   path = OUTPUT_DIR / filename  
   path.write_text(content)  
   return f"Saved {len(content)} chars to {path}"  
def run_python(code: str) -> str:  
   """Execute Python code in a subprocess. Returns stdout and stderr."""  
   with tempfile.NamedTemporaryFile(mode="w", suffix=".py", delete=False) as f:  
       f.write(code)  
       tmp = f.name  
   try:  
       result = subprocess.run(  
           [sys.executable, tmp],  
           capture_output=True, text=True, timeout=15  
       )  
       out = result.stdout or ""  
       err = result.stderr or ""  
       return (out + ("\nERROR:\n" + err if err else "")).strip() or "Ran with no output."  
   except subprocess.TimeoutExpired:  
       return "Error: timed out after 15 seconds."  
   finally:  
       Path(tmp).unlink(missing_ok=True)  
TOOLS = [  
   {  
       "name": "fetch_url",  
       "description": "Fetch the text content of any webpage. Use for research.",  
       "input_schema": {"type":"object","properties":{"url":{"type":"string"}},"required":["url"]}  
   },  
   {  
       "name": "write_file",  
       "description": "Save text to a file in the output directory.",  
       "input_schema": {"type":"object","properties":{"filename":{"type":"string"},"content":{"type":"string"}},"required":["filename","content"]}  
   },  
   {  
       "name": "run_python",  
       "description": "Execute Python code and return the output. Use to test code you write.",  
       "input_schema": {"type":"object","properties":{"code":{"type":"string"}},"required":["code"]}  
   }  
]  
def execute_tool(name, inputs):  
   if name == "fetch_url":  return fetch_url(inputs["url"])  
   if name == "write_file": return write_file(inputs["filename"], inputs["content"])  
   if name == "run_python": return run_python(inputs["code"])  
   return f"Unknown tool: {name}"  
# ── Agent loop ─────────────────────────────────────────────────────────────  
def run_agent(task: str):  
   print(f"\nTask: {task}\n" + "="*50)  
   messages = [{"role": "user", "content": task}]  
   system = """You are a research and coding agent. When given a task:  
1. Research first if needed (fetch_url)  
2. Write any code required  
3. Run the code to verify it works - fix it if it errors  
4. Save the final result to a file  
Be methodical. Show your reasoning before each tool call."""  
   for i in range(15):  
       response = client.messages.create(  
           model="claude-haiku-4-5-20251001",  
           max_tokens=1024,  
           system=system,  
           tools=TOOLS,  
           messages=messages  
       )  
       if response.stop_reason == "end_turn":  
           answer = next((b.text for b in response.content if hasattr(b,"text")), "Done.")  
           print(f"\nDone: {answer}")  
           return answer  
       tool_results = []  
       for block in response.content:  
           if block.type == "tool_use":  
               print(f"\n  [{block.name}]")  
               result = execute_tool(block.name, block.input)  
               # Print a preview so you can follow along  
               print(f"  → {result[:200]}{'...' if len(result)>200 else ''}")  
               tool_results.append({  
                   "type": "tool_result",  
                   "tool_use_id": block.id,  
                   "content": result  
               })  
       messages.append({"role":"assistant","content":response.content})  
       messages.append({"role":"user","content":tool_results})  
# Run it  
run_agent(  
   "Write three Python list comprehension examples - basic, filtered, and nested. "  
   "Run each one to verify it works. Save a cheat sheet to 'list_comprehensions.md'."  
)

fetch_url 用正则把 HTML 标签去掉，方法粗糙，但拿到可读文本是够用的；timeout 用来防止 agent 在慢站上卡住。run_python 走的是临时文件加 subprocess 隔离，比 exec() 安全一些，但放到生产环境仍有风险，timeout 同样用来防死循环。

system prompt 给 agent 划了一条工作路径：研究、写代码、测试、保存。它会自然按这个节奏走。

agent 本身不会写代码，也不会上网。它只会用工具。智能落在规划上。

丢一个复杂任务进去，看它的执行序列：抓 URL → 综合信息 → 写代码 → 运行 → 读错误 → 改 bug → 再跑 → 保存结果。这条工作流不是你编排出来的，是模型自己推出来的。

这就是为什么工具设计比挑模型更关键。一个设计得当的工具，能让 agent 的能力上一个台阶。

最值得学习的一点：agent 会调试自己写的代码。看到报错，理解原因，动手修。这不是预设脚本，是循环加工具自然涌现出来的行为。

加一个 read_file 工具，从输出目录读取已有文件。然后把这个任务交给 agent："读取你之前生成的 list comprehensions cheat sheet，再加两个进阶示例，把文件更新一遍。"

看它怎么走：读 → 分析 → 扩展 → 保存。同一套规划逻辑，落到完全不同的工作流上。

https://avoid.overfit.cn/post/061983d61b58422e8436c0eece200573

by TechnoFin