Anthropic官宣PTC突破，中国开发者一年前就实现了

Anthropic发布了Programmatic Tool Calling（PTC）特性，让Claude通过代码编排工具执行，降低token消耗、减少延迟并提升准确性。

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

这一创新被认为是Agent开发的重要突破，能够显著降低token消耗、减少延迟并提升准确性。

然而，Minion框架的创建者最近分享了一个有趣的事实：Minion从一开始就采用了这种架构理念。

代码链接:https://github.com/femto/minion

在PTC概念被正式提出之前，minion已经在生产环境中证明了这种方法的价值。

PTC解决了什么问题？

Anthropic在博文中指出了传统Tool Calling的两个核心问题：

1. Context污染问题

传统方式中，每次工具调用的结果都会返回到LLM的context中。例如分析一个10MB的日志文件时，整个文件内容会进入context window，即使LLM只需要错误频率的摘要。

2. 推理开销与手动综合

每次工具调用都需要一次完整的模型推理。LLM必须「眼球式」地解析数据、提取相关信息、推理片段如何组合，然后决定下一步——这个过程既缓慢又容易出错。

Minion的解决方案

天然的PTC架构

Minion框架从设计之初就采用了一种根本不同的架构：LLM专注于规划和决策，具体执行交给代码环境。

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性。

实际案例对比

Anthropic博文中的预算合规检查示例。

任务：找出Q3差旅超预算的团队成员

传统Tool Calling方式：

获取团队成员 → 20人
为每人获取Q3费用 → 20次工具调用，每次返回50-100条费用明细
获取各级别预算限额
所有数据进入context：2000+条费用记录（50KB+）
LLM手动汇总每人费用、查找预算、比较超支情况

使用PTC后：

Claude写一段Python脚本编排整个流程
脚本在Code Execution环境运行
LLM只看到最终结果：2-3个超支人员

在Minion中，这种模式是默认行为，llm会生成代码：

# Minion中的实现（伪代码） async def check_budget_compliance():     # LLM生成的计划代码     team = await get_team_members("engineering")     # 并行获取所有数据     levels = list(set(m["level"] for m in team))     budgets = {         level: await get_budget_by_level(level)         for level in levels     }     # 数据处理在本地完成     exceeded = []     for member in team:         expenses = await get_expenses(member["id"], "Q3")         total = sum(e["amount"] for e in expenses)         budget = budgets[member["level"]]         if total > budget["travel_limit"]:             exceeded.append({                 "name": member["name"],                 "spent": total,                 "limit": budget["travel_limit"]             })     return exceeded  # 只返回关键结果

关键区别在于，Minion是框架的核心设计，所有复杂任务都这样处理；

而PTC需要显式启用，存在多重架构限制：

必须显式标记哪些工具允许programmatic调用（allowed_callers配置）
运行在受限的Claude容器环境中，无法自由安装任意包
文件需要通过额外的Files API上传（单文件最大500MB限制）
工具必须在容器4.5分钟不活动超时前返回结果
Web工具、MCP工具无法通过programmatic方式调用

Minion的优势

更进一步

Minion不仅实现了PTC的核心理念，还提供了更多优势：

完整的Python生态系统

Minion中的代码执行环境拥有完整的Python生态访问权：

# Minion可以直接使用任何Python库 import pandas as pd import numpy as np from sklearn.cluster import KMeans # 强大的数据处理 df = pd.DataFrame(expense_data) analysis = df.groupby('category').agg({     'amount': ['sum', 'mean', 'std'],     'count': 'size' }) # 复杂的数据科学任务 model = KMeans(n_clusters=3) clusters = model.fit_predict(spending_patterns)

状态管理和持久化

Minion天然支持复杂的状态管理：

class BudgetAnalyzer:     def __init__(self):         self.cache = {}         self.history = []     async def analyze_department(self, dept):         # 状态在整个分析过程中保持         if dept in self.cache:             return self.cache[dept]         result = await self._deep_analysis(dept)         self.cache[dept] = result         self.history.append(result)         return result

错误处理和重试逻辑

在代码中显式处理各种边界情况：

async def robust_fetch(user_id, max_retries=3):     for attempt in range(max_retries):         try:             return await get_expenses(user_id, "Q3")         except RateLimitError:             await asyncio.sleep(2 ** attempt)         except DataNotFoundError:             return []  # 合理的默认值     raise Exception(f"Failed after {max_retries} attempts")

并行和异步操作

充分利用Python的异步能力：

# 高效的并行处理 async def analyze_all_departments():     departments = ["eng", "sales", "marketing", "ops"]     # 同时分析所有部门     results = await asyncio.gather(*[         analyze_department(dept)         for dept in departments     ])     # 整合分析结果     return consolidate_results(results)

性能数据对比

根据Anthropic的内部测试，PTC带来了显著改进：

Token节省：复杂研究任务从43,588降至27,297 tokens（减少37%）
延迟降低：消除了多次模型推理往返
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，能观察到类似甚至更好的指标，因为：

更少的模型调用：LLM只在规划阶段和最终总结时参与
更高效的资源利用：本地数据处理不消耗API tokens
更可预测的性能：代码执行路径明确，减少了LLM的不确定性

架构哲学

谁应该做什么？

Minion的设计基于一个核心信念：

LLM擅长理解、规划和推理；Python擅长执行、处理和转换。

这种职责分离带来了清晰的架构：

用户请求     ↓ [LLM：理解意图，制定计划]     ↓ [生成Python代码]     ↓ [代码执行环境：调用工具、处理数据、控制流程]     ↓ [返回结构化结果]     ↓ [LLM：解读结果，生成用户友好的响应]

这不仅仅是优化，而是一种架构级别的重新思考。

Tool Search Tool

Minion的动态工具发现

Anthropic的另一个新特性是Tool Search Tool，解决大型工具库的context消耗问题。Minion在这方面也有相应的机制：

分层工具暴露

# Minion的工具分层策略 class MinionToolRegistry:     def __init__(self):         self.core_tools = []      # 始终加载         self.domain_tools = {}    # 按需加载         self.rare_tools = {}      # 搜索发现     def get_tools_for_task(self, task_description):         # 智能工具选择         tools = self.core_tools.copy()         # 基于任务描述添加相关工具         if "database" in task_description:             tools.extend(self.domain_tools["database"])         if "visualization" in task_description:             tools.extend(self.domain_tools["plotting"])         return tools

向量搜索工具发现

# 使用embedding的工具搜索 from sentence_transformers import SentenceTransformer class SemanticToolSearch:     def __init__(self, tool_descriptions):         self.model = SentenceTransformer('all-MiniLM-L6-v2')         self.tool_embeddings = self.model.encode(tool_descriptions)     def find_tools(self, query, top_k=5):         query_embedding = self.model.encode([query])         similarities = cosine_similarity(query_embedding, self.tool_embeddings)         return self.get_top_tools(similarities, top_k)

实际应用

Minion在生产环境

Minion框架已经在多个实际场景中证明了这种架构的价值：

案例1：大规模数据分析

金融科技公司使用minion分析数百万条交易记录，寻找异常模式：

async def detect_anomalies():     # LLM规划：需要获取数据、清洗、特征工程、异常检测     # 执行代码直接处理大数据集     transactions = await fetch_all_transactions(start_date, end_date)     # 1M+ records, 但不进入LLM context     df = pd.DataFrame(transactions)     df = clean_data(df)     features = engineer_features(df)     # 使用机器学习检测异常     anomalies = detect_with_isolation_forest(features)     # 只返回异常摘要给LLM     return {         "total_transactions": len(df),         "anomalies_found": len(anomalies),         "top_anomalies": anomalies.head(10).to_dict()     }

结果：

处理100万条记录
LLM仅消耗~5K tokens（传统方式需要500K+）
端到端延迟：30秒（vs 传统方式的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：

async def comprehensive_customer_analysis(customer_id):     # 并行获取所有数据源     crm_data, support_tickets, usage_logs, billing_history = await asyncio.gather(         fetch_crm_data(customer_id),         fetch_support_tickets(customer_id),         fetch_usage_logs(customer_id),         fetch_billing_history(customer_id)     )     # 本地数据融合和分析     customer_profile = {         "health_score": calculate_health_score(...),         "churn_risk": predict_churn_risk(...),         "upsell_opportunities": identify_opportunities(...),         "support_sentiment": analyze_ticket_sentiment(support_tickets)     }     return customer_profile

案例3：自动化工作流

DevOps团队使用minion自动化复杂的部署流程：

async def deploy_with_validation():     # 多步骤工作流，每步都有条件逻辑     # 1. 运行测试     test_results = await run_test_suite()     if test_results.failed > 0:         return {"status": "blocked", "reason": "tests failed"}     # 2. 构建和推送镜像     image = await build_docker_image()     await push_to_registry(image)     # 3. 金丝雀部署     canary = await deploy_canary(image, percentage=10)     await asyncio.sleep(300)  # 监控5分钟     metrics = await get_canary_metrics(canary)     if metrics.error_rate > 0.01:         await rollback_canary(canary)         return {"status": "rolled_back", "metrics": metrics}     # 4. 完整部署     await deploy_full(image)     return {"status": "success", "image": image.tag}

超越PTC

Minion的未来方向

虽然PTC是一个重要的进步，但minion的架构设计让我们能够探索更多可能性：

混合推理模式

在一个会话中智能切换：

# 简单任务：直接工具调用 if task.complexity < THRESHOLD:     result = await simple_tool_call(task) # 复杂任务：生成编排代码 else:     orchestration_code = await llm.generate_code(task)     result = await execute_code(orchestration_code)

增量计算和缓存

智能重用中间结果：

# 记忆化的数据获取 @lru_cache(maxsize=1000) async def cached_get_user_data(user_id):     return await fetch_user_data(user_id) # 增量更新而非全量重算 async def update_analysis(new_data):     previous_state = load_checkpoint()     delta = compute_delta(previous_state, new_data)     updated_state = apply_delta(previous_state, delta)     return updated_state

多模型协作

不同模型处理不同阶段：

# 规划用强模型 plan = await claude_opus.create_plan(user_request) # 代码生成用专门模型 code = await codegen_model.generate(plan) # 执行和监控 result = await execute_with_monitoring(code) # 用户交互用快速模型 response = await claude_haiku.format_response(result)

开源的力量

社区驱动的创新

Minion作为开源项目（300+ GitHub stars），其发展得益于社区的贡献和反馈。这种开放性带来了：

快速迭代：社区发现问题和用例，推动快速改进
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虽然强大，但：

需要显式配置（allowed_callers,defer_loading等）
依赖特定的API版本和beta功能
与Claude的生态系统紧密耦合

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

技术细节

实现对比

深入比较实现细节。

PTC的实现方式

# Anthropic的PTC需要特定配置 {     "tools": [         {             "type": "code_execution_20250825",             "name": "code_execution"         },         {             "name": "get_team_members",             "allowed_callers": ["code_execution_20250825"],             ...         }     ] } # Claude生成工具调用 {     "type": "server_tool_use",     "id": "srvtoolu_abc",     "name": "code_execution",     "input": {         "code": "team = get_team_members('engineering')\\\\\\\\n..."     } }

Minion的实现方式

# Minion的工具定义是标准Python class MinionTools:     @tool     async def get_team_members(self, department: str):         """Get all members of a department"""         return await self.db.query(...)     @tool     async def get_expenses(self, user_id: str, quarter: str):         """Get expense records"""         return await self.expenses_api.fetch(...) # LLM生成的是完整的Python函数 async def analyze_budget():     # 直接调用工具函数     team = await tools.get_team_members("engineering")     # 完整的Python语言能力     expenses_by_user = {         member.id: await tools.get_expenses(member.id, "Q3")         for member in team     }     # 任意复杂度的数据处理     analysis = perform_complex_analysis(expenses_by_user)     return analysis

关键区别：

PTC：工具调用通过特殊的API机制，有caller/callee关系
Minion：工具就是普通的Python async函数，LLM生成标准代码

为什么这个架构如此重要？

随着AI Agent向生产环境发展，业界面临的核心挑战是：

规模：处理百万级数据，不能全塞进context

可靠性：生产系统需要确定性的错误处理

成本：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

传统的单次工具调用模式在这些维度上都遇到瓶颈。代码编排模式（无论是PTC还是minion）提供了突破：

传统模式：LLM <-> Tool <-> LLM <-> Tool <-> LLM           (慢)   (贵)   (脆弱) 编排模式：LLM -> [Code: Tool+Tool+Tool+Processing] -> LLM           (快)   (省)   (可靠)

经过验证的架构：PTC的发布证明了架构选择的正确性——这不是投机性的设计，而是行业领先者独立得出的结论。

先发优势：在PTC成为官方特性之前，minion已经在生产环境积累了经验和最佳实践。

更广泛的适用性：

支持多种LLM后端（Claude, GPT-4, 开源模型）；
灵活的部署选项（云端、本地、混合）；
丰富的Python生态系统集成。

社区和生态：300+stars代表的不仅是认可，还有潜在的用户基础和贡献者社区。

结论

架构的必然收敛

Anthropic推出PTC不是偶然——这是agent架构演进的必然方向。当你需要构建能处理复杂任务、大规模数据、多步骤流程的生产级agent时，你会自然而然地得出这样的结论：

LLM应该专注于它擅长的（理解和规划），让代码处理它擅长的（执行和转换）。

Minion从一开始就拥抱了这个理念，并将继续推动这个方向：

✅今天：完整的PTC式架构，生产环境验证
🚀明天：更智能的工具发现、更高效的状态管理
🌟未来：混合推理、增量计算、多模型协作

作者信息

郑炳南，毕业于复旦大学物理系。拥有20多年软件开发经验，具有丰富的传统软件开发以及人工智能开发经验，是开源社区的活跃贡献者，参与贡献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。