在学习的过程中，我一直好奇一个问题： Claude（模型）是在什么时候确定使用哪些工具的呢 ？Anthropic 在官网为我们提供了一个简单的 解释 ^[6] ：

当用户提出一个问题时：

1. 1. 客户端（Claude Desktop / Cursor）将你的问题发送给 Claude。
2. 2. Claude 分析可用的工具，并决定使用哪一个（或多个）。
3. 3. 客户端通过 MCP Server 执行所选的工具。
4. 4. 工具的执行结果被送回给 Claude。
5. 5. Claude 结合执行结果构造最终的 prompt 并生成自然语言的回应。
6. 6. 回应最终展示给用户！

MCP Server 是由 Claude 主动选择并调用的。有意思的是 Claude 具体是如何确定该使用哪些工具呢？以及是否会使用一些不存在的工具呢（幻觉）？

为了探索这个问题让我们深入 源码 ^[7] 。显然这个调用过程可以分为两个步骤：

1. 1. 由 LLM（Claude）确定使用哪些 MCP Server。
2. 2. 执行对应的 MCP Server 并对执行结果进行重新处理。

先给出一个简单可视化帮助理解：

5.1 模型如何智能选择工具？

先理解第一步 模型如何确定该使用哪些工具？ 这里以 MCP 官方提供的 client example ^[8] 为讲解示例，并简化了对应的代码（删除了一些不影响阅读逻辑的异常控制代码）。通过阅读代码，可以发现模型是通过 prompt 来确定当前有哪些工具。我们通过 将工具的具体使用描述以文本的形式传递给模型 ，供模型了解有哪些工具以及结合实时情况进行选择。参考代码中的注释：

... # 省略了无关的代码
asyncdefstart(self):    # 初始化所有的 mcp server    for server inself.servers:        await server.initialize()    # 获取所有的 tools 命名为 all_tools    all_tools = []    for server inself




    
.servers:        tools = await server.list_tools()        all_tools.extend(tools)    # 将所有的 tools 的功能描述格式化成字符串供 LLM 使用    # tool.format_for_llm() 我放到了这段代码最后，方便阅读。    tools_description = "\n".join(        [tool.format_for_llm() for tool in all_tools]    )    # 这里就不简化了，以供参考，实际上就是基于 prompt 和当前所有工具的信息    # 询问 LLM（Claude） 应该使用哪些工具。    system_message = (        "You are a helpful assistant with access to these tools:\n\n"        f"{tools_description}\n"        "Choose the appropriate tool based on the user's question. "        "If no tool is needed, reply directly.\n\n"        "IMPORTANT: When you need to use a tool, you must ONLY respond with "        "the exact JSON object format below, nothing else:\n"        "{\n"        '    "tool": "tool-name",\n'        '    "arguments": {\n'        '        "argument-name": "value"\n'        "    }\n"        "}\n\n"        "After receiving a tool's response:\n"        "1. Transform the raw data into a natural, conversational response\n"        "2. Keep responses concise but informative\n"        "3. Focus on the most relevant information\n"        "4. Use appropriate context from the user's question\n"        "5. Avoid simply repeating the raw data\n\n"        "Please use only the tools that are explicitly defined above."    )    messages = [{"role": "system", "content": system_message}]    whileTrue:        # Final... 假设这里已经处理了用户消息输入.        messages.append({"role": "user", "content": user_input})        # 将 system_message 和用户消息输入一起发送给 LLM        llm_response = self.llm_client.get_response(messages)    ... # 后面和确定使用哪些工具无关    classTool:    """Represents a tool with its properties and formatting."""    def__init__(
        self, name: str, description: str, input_schema: dict[str, Any]
    ) -> None:        self.name: str = name        self.description: str = description        self.input_schema: dict[str, Any] = input_schema    # 把工具的名字 / 工具的用途（description）和工具所需要的参数（args_desc）转化为文本    defformat_for_llm(self) -> str:        """Format tool information for LLM.

        Returns:
            A formatted string describing the tool.
        """        args_desc = []        if"properties"inself.input_schema:            for param_name, param_info inself.input_schema["properties"].items():                arg_desc = (                    f"- {param_name}: {param_info.get('description', 'No description')}"                )                if param_name inself.input_schema.get("required", []):                    arg_desc += " (required)"                args_desc.append(arg_desc)        returnf"""




    

Tool: {self.name}
Description: {self.description}
Arguments:
{chr(10).join(args_desc)}
"""

那 tool 的描述和代码中的 input_schema 是从哪里来的呢？通过进一步分析 MCP 的 Python SDK 源代码可以发现：大部分情况下，当使用装饰器 @mcp.tool() 来装饰函数时，对应的 name 和 description 等其实直接源自用户定义函数的函数名以及函数的 docstring 等。这里仅截取一小部分片段，想了解更多请参考 原始代码 ^[9] 。

@classmethod
deffrom_function(
    cls,
    fn: Callable,
    name: str | None = None,
    description: str | None = None,
    context_kwarg: str | None = None,
) -> "Tool":
    """Create a Tool from a function."""
    func_name = name or fn.__name__ # 获取函数名

    if func_name == "":
        raise ValueError("You must provide a name for lambda functions")

    func_doc = description or fn.__doc__ or""# 获取函数 docstring
    is_async = inspect.iscoroutinefunction(fn)
    
    ... # 更多请参考原始代码...

总结： 模型是通过 prompt engineering，即提供所有工具的结构化描述和 few-shot 的 example 来确定该使用哪些工具 。另一方面，Anthropic 肯定对 Claude 做了专门的训练（毕竟是自家协议，Claude 更能理解工具的 prompt 以及输出结构化的 tool call json 代码）

5.2 工具执行与结果反馈机制

其实工具的执行就比较简单和直接了。承接上一步，我们把 system prompt（指令与工具调用描述）和用户消息一起发送给模型，然后接收模型的回复。当模型分析用户请求后，它会决定是否需要调用工具：

• • 无需工具时 ：模型直接生成自然语言回复。
• • 需要工具时 ：模型输出结构化 JSON 格式的工具调用请求。

如果回复中包含结构化 JSON 格式的工具调用请求，则客户端会根据这个 json 代码执行对应的工具。具体的实现逻辑都在 process_llm_response 中， 代码 ^[10] ，逻辑非常简单。

如果模型执行了 tool call，则工具执行的结果 result 会和 system prompt 和用户消息一起 重新发送 给模型，请求模型生成最终回复。

如果 tool call 的 json 代码存在问题或者模型产生了幻觉怎么办呢？通过阅读 代码 ^[11] 发现，我们会 skip 掉无效的调用请求。

执行相关的代码与注释如下：

... # 省略无关的代码
asyncdefstart(self):    ... # 上面已经介绍过了，模型如何选择工具    whileTrue:        # 假设这里已经处理了用户消息输入.        messages.append({"role": "user", "content": user_input})        # 获取 LLM 的输出        llm_response = self.llm_client.get_response(messages)        # 处理 LLM 的输出（如果有 tool call 则执行对应的工具）        result = awaitself.process_llm_response(llm_response)        # 如果 result 与 llm_response 不同，说明执行了 tool call （有额外信息了）        # 则将 tool call 的结果重新发送给 LLM 进行处理。        if result != llm_response:            messages.append({"role": "assistant", "content": llm_response})            messages.append({"role": "system", "content": result})            final_response = self.llm_client.get_response(messages)            logging.info("\nFinal response: %s", final_response)            messages.append(                {"role": "assistant", "content": final_response}            )        # 否则代表没有执行 tool call，则直接将 LLM 的输出返回给用户。        else:            messages.append({"role": "assistant", "content": llm_response})    

结合这部分原理分析：

• • 工具文档至关重要 - 模型通过工具描述文本来理解和选择工具，因此精心编写工具的名称、docstring 和参数说明至关重要。
• • 由于 MCP 的选择是基于 prompt 的，所以任何模型其实都适配 MCP，只要你能提供对应的工具描述。但是当你使用非 Claude 模型时，MCP 使用的效果和体验难以保证（没有做专门的训练）。